基于CEEMDAN与BiLSTM算法的短期电力负荷预测

云南电力科学研究院 覃日升 姜 訸 段锐敏 何 鑫

负荷预测在电力系统安全经济运行和稳定发展中起着关键性作用，它与电网发展规划、电力市场运行和电力调度密切相关[1]。电力系统负荷预测按预测时间长短可分为超短期、短期、中期和长期预测[2]。短期负荷预测是能源管理系统和日常电力调度工作中不可或缺的一部分。短期负荷预测的准确性直接影响到电力设备的利用率、能耗、供需平衡性[3]。

电力系统负荷预测研究方法大致可分为两种，一种是基于数学预测模型的传统预测方法，包括时间序列方法和多元线性回归方法；另一种是机器学习算法，包括卷积神经网络（CNN）和长短时记忆神经网络（LSTM）深度学习等。目前在负荷预测领域中较为热点的问题是应用机器学习算法的研究[4]。

但是单一的CNN 网络与LSTM 网络在长时间序列或多维输入数据面前，仍然存在序列特征信息丢失，数据间结构信息紊乱，多维特征挖掘不够充分的问题。组合预测模型通过将多种模型和方法组合起来对短期电力负荷进行预测，通过结合不同模型特点与优势更好的满足短期电力负荷预测的实际需要，一般情况下，相较于单一模型预测组合模型预测具有更高的精准度，基于此本文提出一种CEEMDAN 与BiLSTM 组合预测模型。通过云南某地区电力负荷数据进行验证，本文所提模型具有较高准确性。1 基于CEEMDAN 与BiLSTM 组合的预测模型

1.1 CEEMDAN 原理

CEEMDAN 通过加入自适应白噪声和计算唯一信号残差来获得IMF，克服了EMD 的缺点，使重构信号与原始信号几乎相同[5]。CEEMDAN 方法不仅克服了现有的EMD 模式混合现象，而且通过增加分解次数减少了重构误差。其算法步骤如下：

定义x(t)为原始信号，第i 次加入的标准正态分布的高斯白噪声ni(t)，则在m 个过程中，加入白噪声的序列表示为：

然后对该信号进行m 的EMD 分解，得到第一个固有模态函数IMF1，其为m 个IM Fi1(t)取平均值所得，即为：

第一项余量计算：

对第一余量添加自适应白噪音E1ni(t)，再由EM D分解信号R1(t)+ε1E1ni(t)，i=1,2,…,m，第二个分量为：

对第k 个IM F更新：

重复上一步骤，直到最后一个模态变量无法分解为止，故原始信号分解为：

1.2 BiLSTM 原理

前向LSTM 与后向LSTM 结合构成双向长短期 记 忆 网 络（Bidirectional LSTM，BiLSTM）。LSTM 是由t 时刻的输入词Xt，细胞状态Ct，临时细胞状态，隐层状态ht，遗忘门ft，记忆门it，输出门ot组成[6]。LSTM 的计算流程为：把细胞状态Ct中的新旧信息进行记忆和遗忘，保留传递对后续计算有用的信息，并丢弃无用的信息；隐层状态ht会在每个时间步中被输出；利用上个时刻的隐层状态ht-1和当前输入Xt计算出来的遗忘门ft，记忆门it，输出门ot来控制遗忘、记忆与输出。LSTM 网络计算过程如下式所示：

计算遗忘门：

计算记忆门：

计算当前时刻细胞状态：

计算输出门和当前时刻隐层状态：

其中，Wf、Wi、WC、Wo为各自权重，bf、bi、bC、bo为偏移量。LSTM 网络架构如图1所示。

图1 LSTM 网络架构

为更好提取前后时间序列特征，将BiLSTM 用于短期负荷预测，其网络结构如图2所示。这类网络在正向传递信息的同时还会进行逆向传递，正向传播层单元学习当前时间序列之前的信息，反向传播层学习当前时间序列之后的信息，然后拼接两个方向学习到的特征，进而结合前后向时间序列信息。BiLSTM 有效解决了LSTM 只能保存前面信息这一问题，更有利于时间序列分类。

图2 BiLSTM 网络架构

基于CEEMDAN-BiLSTM 模型预测电力负荷流程图如图3所示。

数据预处理可采用拉格朗日插值法对图3数据缺失点进行插值[7]。

图3 电力负荷序列预测模型流 程图

2 预测模型验证分析

采用云南某地区2019年1月1日至2020年1月1日之间的负荷数据，采样间隔15分钟，采样点共35040个，训练样本选取前11个月的数据，后面1个月的数据作为测试样本。为方便对比插值前后的数据以及CEEMDAN 分解效果，仅以2019年1月1日至2019年1月7日一周负荷数据为例。

2.1 数据预处理结果

首先对原始电力负荷序列进行采用拉格朗日插值法插值处理。插值前后的对比图如图4所示。

图4 电力负荷序列牛顿插值 前后对比

2.2 CEEMDAN 分解结果

对预处理后的电力负荷序列进行CEEMDAN分解，噪声标准差为10%，分解效果如图5所示。

图5 CEEMDAN 分解电力负荷序列

利用EMD 对负荷序列进行分解，结果如图6所示。

图6 EMD 分解电力负荷序列

EEMD 对负荷序列进行分解，结果如图7所示。

图7 EEMD 分解电力负荷序列

对比图6、图7、图8可以看出，CEEMDAN 较于EMD、EEMD 可以分解出更多的IMF 分量，分解信号重构后更加完备。

2.3 CEEMDAN-BiLSTM 预测

对CEEMDAN 分解后的电力负荷序列分别利用BiLSTM 进行预测，最后进行叠加，最终得到CEEMDAN-BiLSTM 模型预测结果。令前11个月的数据做为训练样本，最后一个月的数据做为测试样本，预测结果与测试样本比较如图8所示。

图8 测试集与预测集对比及误差对比图

总体预测结果如图9所示。

图9 训练样本、测试样本与 总样本对比图

EMD-BiLSTM 与CEEMDAN-BiLSTM 预 测结果误差如图10所示。

图10 CEEMDAN-BiLSTM 与EMD-BiLSTM 误差对比图

由图10可知，EMD-BiLSTM 的RMSE 为20.19，CEEMDAN-BiLSTM 的RMSE 为16.42，可 见 本文所提CEEMDAN-BiLSTM 预测算法较于EMD -BiLSTM 更加准确。

3 结语

电力负荷预测对于调度安排开停机计划、机组最优组合、经济调度、最优潮流、电力市场交易有着重要的意义。时间序列信号中都会掺杂着噪声和间断信号，针对EMD 因为局部极值在很短的时间间隔内发生多次跳变导致出现模态混叠问题以及LSTM 计算量过大造成计算时间长、序列特征信息丢失、数据结构信息紊乱的问题，本文提出CEEMDAN-BiLSTM预测模型，通过对云南某地区实际电力负荷数据进行预测，验证了本文所提方法更具准确性。