基于AO-VMD-BiGRU的短期負荷預測方法

汝洪芳,張程帝,王國新,李作淘

(黑龍江科技大學 電氣與控制工程學院,哈爾濱 150022 )

0 引 言

在雙碳背景下,新能源發電比例逐年提升,同時,也給電網的穩定性帶來了極大的挑戰。若是能夠對短期電力負荷進行精準的預測,這不僅能夠促使供電企業制定更加周密的發電計劃,優化電力調度規劃,還能保證電力系統的安全,符合綠色發展的要求。

從文獻資料上看,一些成熟的預測短期負荷的方法主要有自回歸移動平均法(autoregressive integrated moving average, ARIMA)[1-2]、卡爾曼濾波法[3]等方法。上述幾種方法均可以對各個影響因素進行捕捉,并確定各因素之間的線性關系,但也存在明顯的不足,那就是無法對非線性特征進行描述。常用的深度學習短期負荷預測方法有以下幾種:反饋神經網絡(back propagation,BP)[4]、卷積神經網絡(convolutional neural network,CNN)[5]、循環神經網絡(recurrent neural network,RNN)[6]等模型的預測方法。文獻[7]采用門控循環單元(gate recurrent unit,GRU)對電力負荷進行預測,與長短期記憶網絡(long short-term memory,LSTM)相比,更易于計算,但是負荷預測是由歷史時刻信息和未來時刻信息共同決定,GRU沒有對未來時刻信息進行考慮。文獻[8] 采用經驗模態分解(empirical mode decomposition,EMD),借助此方法完成電力負荷的分解工作,降低了負荷預測的復雜性,但此種分解模態容易出現模態混疊的情況,這非常影響負荷預測的精度。文獻[9]采用變分模態分解(variational mode decomposition,VMD)對電力負荷進行分解,取得很好的實驗效果,但是人為設置參數具有很強的隨機性,影響其分解性能。

為了提高短期負荷預測精度,本文提出一種基于天鷹算法(aquila optimizer,AO)優化變分模態分解和雙向門控循環單元(bidirectional gate recurrent unit,BiGRU)神經網絡的短期電力負荷預測方法。首先,利用VMD取代EMD,對負荷序列進行分解,得到電力負荷分解序列圖像,解決EMD本身的模態混疊缺點;其次,采用AO取代人為設置,對VMD參數進行選擇,降低了試驗的隨機性;最后把分解后的負荷序列傳遞到雙向門控循環單元中進行數據的非線性擬合,在澳大利亞昆士蘭地區負荷數據基礎上進行短期負荷預測。將該方法與BiGRU神經網絡模型、VMD-BiGRU神經網絡模型、WOA-VMD-BiGRU模型進行比較,來驗證所提方法的準確性。

1 AO-VMD-BiGRU模型原理

1.1 AO

天鷹優化算法是2021年Laith Abualigah等人提出的一種新型智能優化算法[10],該算法主要模擬天鷹在捕捉獵物過程中的自然行為,來達到尋優的目的,具有尋優能力強、收斂速度快等特點。

1.2 VMD

變分模態分解,即VMD,此方法是Dragomiretskiy等人在2014年提出的[11],此種信號分解方法具有一定的自適應性。此模型借助迭代搜索變分方法最優解,從而精準確定各個分量的中心頻率以及寬帶,同時徹底克服了EMD方法的諸多弊端,比如端點效應、模態分量混疊等難題。VMD算法的約束公式如下:

(1)

(2)

式中:{uk}為模態分量的集合;{wk}為各模態分量的中心頻率;*為卷積運算;?t為函數對時間的導數;δ(t)為單位脈沖函數;f(t)為原始輸入信號。

把拉格朗日因子代入約束公式,從而將其轉換為非約束的變分問題,如下:

L({uk},{wk},λ)=

(3)

式中:α為懲罰因子;λ為拉格朗日因子。

模態分子變量和中心頻率的更新公式如下:

(4)

(5)

式中:f(w)、ui(w)、λ(w)分別為f(t)、ui(t)、λ(t)的傅里葉變換;n為迭代次數。

1.3 BiGRU模型

BiGRU模型是在2個方向相反GRU模型的基礎上搭建的神經網絡結構,GRU網絡模型如圖1所示。這2個GRU網絡模型都能接收到相同的輸入,所以該模型在處理時間序列數據上有優勢,負荷預測的準確率提高[12]。選擇BiGRU網絡模型,如圖2所示。

圖1 GRU原理圖

圖2 BiGRU原理圖

GRU網絡公式如下:

rt=σ(wr[ht-1,xt])

(6)

zt=σ(wz[mt-1,xt])

(7)

(8)

(9)

BIGRU網絡公式如下:

(10)

(11)

(12)

2 基于AO-VMD-BiGRU的負荷預測模型

2.1 基于AO的VMD參數優化

VMD對信號的分解效果主要取決于分解個數K和懲罰因子α的設置,但是人為設置VMD參數可能造成過分解和欠分解現象。因此,采用AO算法對VMD中分解個數K和懲罰因子α迭代尋優,尋優維度設置為2,K的尋優區間設置為[2,10],α的尋優區間設置為[0,10 000]。采用VMD損失函數作為AO算法尋優的適應度函數,計算式如下:

(13)

式中:f(t)為原始輸入信號;f′(t)為分解后信號;T為時間長度。

2.2 AO-VMD-BiGRU模型結構

為實現短期電力負荷的預測精準度大幅提升的目標,提出基于AO-VMD-BiGRU的模型預測短期負荷的變化趨勢,其模型結構如圖3所示。首先利用損失函數作為適應度函數,運用AO對VMD中的分解個數K和懲罰因子α進行迭代尋優,確定這2個參數值;隨后,把原始負荷數據導入VMD中進行簡單的模態分解,獲得各模態分量IMF1,IMF2,…,IMFn;最后把各模態分量導入BiGRU神經網絡模型,得到各模態分量預測值,進行輸出結果疊加,從而得到實際預測值。

圖3 AO-VMD-BiGRU模型結構圖

模型評估主要依據3個重要的指標,分別是平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)和平均絕對誤差(MAE),這3個評估標準能夠有效地測試負荷預測方法的性能好壞。在電力負荷預測中MAPE、RMSE、MAE的值越小,表示模型的擬合效果越好,代表負荷預測越準確,計算式如下:

(14)

(15)

(16)

式中:yi為第i個采樣點真實所得到的負荷值數據;y′i為第i個采樣點預測計算出來的負荷值;n值為測試的樣本數。

3 試驗分析

3.1 數據處理

試驗數據選取澳大利亞昆士蘭地區 2014年1月份上半月的真實歷史負荷數據(包含干球溫度、電力價格、空氣濕度、電力負荷等特征)為數據集合,每天會采取48個樣本值,每次采樣的時間間隔是30 min,每次獲取的數據包含上面提及的6個方面電力負荷數據值。

采用 min-max 標準化將數據歸一化到[0, 1],計算過程如下所示。

(17)

式中:xi為第i個采樣點特征原始值;xmin和xmax分別為采樣數據中各特征數據的最小值和最大值;x′t為xi數據歸一化后的值,范圍為[0, 1]。

3.2 基于AO-VMD分解試驗

為了體現AO優化VMD參數的有效性,將AO優化VMD參數和VMD參數默認值以及鯨魚優化算法(whale optimization algorithm, WOA)優化VMD參數進行對比,所有模型的訓練集與測試集相同,AO和WOA尋優VMD參數的迭代過程和分解結果如圖4和表1所示,對應式(13)中分解結果越小,模型預測越準確。

表1 VMD尋優參數結果

圖4 不同算法迭代尋優圖

由圖4和表1可知,使用AO對VMD進行參數尋優相較于WOA參數尋優,尋優能力更強,尋優速度更快,其分解損失相較于一般VMD參數設置和WOA優化的分解損失更小,最小為1.68 MW。原始負荷數據和AO-VMD的分解序列如圖5和圖6所示,圖6中res代表原始負荷數據分解的殘差分量。

圖5 原始負荷數據圖

圖6 AO-VMD分解序列圖

3.3 試驗結果分析

為驗證方法有效性,試驗將AO-VMD-BiGRU模型與BiGRU模型、VMD-BiGRU模型和WOA-VMD-BiGRU模型之間的性能進行了對比。在預測電力負荷數據的時候,參考文獻[13]可以把這幾個模型的遞歸神經網絡層數都設置成1,而將神經網絡各層的神經元數量控制在50,預測結果如圖7和表2所示。

表2 各類模型對比

圖7 預測結果對比

由表2可知,4種模型預測結果都取得了良好的效果,AO-VMD-BiGRU模型的預測結果更好。其中,AO-VMD-BiGRU模型的MAPE為1.54%,其MAPE相較于BiGRU模型、VMD-BiGRU模型和WOA-VMD-BiGRU模型這3種方法的MAPE分別降低了2.98%、1.93%、0.19%。根據圖7可知,基于AO-VMD-BiGRU模型預測結果與實際負荷曲線擬合程度更高,可以很好地表示負荷變化的趨勢。

4 結 語

面對電力系統對負荷預測準確性要求日益提高的形勢,提出一種基于AO-VMD-BiGRU混合模型預測方法。

1)通過AO對VMD進行參數尋優,確定K和α的值,降低了人為設置參數的隨機性。

2)原始負荷數據經過VMD分解,獲得不同頻率的模態分量,削弱了原始負荷數據的噪聲干擾。

3)采用BiGRU神經網絡對各模態分量進行預測并進行預測結果疊加,提升了負荷預測的精度。對比試驗結果表明,此模型預測精度更加準確,具有一定的可行性。