基于VMD-LSTM的短期电力负荷预测研究

黄志祥， 周 莉

(安徽理工大学 电气与信息工程学院， 安徽 淮南 232001)

电力负荷预测工作涉及到电力系统许多部门的运营决策，如管理规划和负荷调度。准确的电力负荷预测工作可以实现对电能的合理分配，减少不必要的电能浪费。电力负荷预测工作是在负荷影响因素基础上，对历史负荷数据样本进行分析，寻找负荷变化与这些因素之间的内在关系，建立数学模型，估算未来一段时间的电力发展趋势和电能消耗情况。负荷预测方法大体上分为两类：传统预测方法大多基于统计学原理，相对简单，运行速度快，应用比较成熟；现代预测方法以神经网络所代表的机器学习方法为主，一般有人工神经网络、特征编码、相似日法和组合算法等。由于机器学习方法拥有强大的非线性拟合、数据分析和预测能力，现代预测方法效果较好。LSTM是RNN的一种变体，可以解决时间序列中隐含的依赖性。许多基于LSTM的预测模型已经被提出，效果相对较好。与浅层网络模型相比，组合型模型越来越受到关注，它综合了不同预测模型的优点，预测精度显著提高。为了提高预测精度，引入数据分解法，将负荷样本集序列中不同频率的子序列分离开，以降低负荷样本序列的波动性与非线性，使非平稳的负荷数据转换为多个平稳的负荷子序列，通过LSTM模型对这些平稳的子序列分别进行预测，进一步提高模型的鲁棒性[1]。针对非平稳电力负荷序列，小波分析法、EMD、EEMD都被用于降低样本噪声干扰并有效提高预测精度[2-6]。VMD作为最新提出的分解算法，具有更好的处理能力[7]。

本文提出基于VMD与LSTM相结合的组合型短期电力负荷预测模型，采用VMD分解负原始电力负荷数据样本集，将分解得到的多个子负荷分量分别利用LSTM模型进行预测，再将预测的子负荷分量叠加起来，得到最终预测结果[8-9]。

1 VMD分解原理

对模态函数进行Hilbert变换，计算梯度平方L2范数：

(1)

式中：uk为模态分量；x为电力负荷序数；k为模态分量数；wk为频率；t为时间变量。

引入惩罚函数：

(2)

各模态分量解：

(3)

式中：α为二次惩罚系数；λ为拉格朗日乘子。

不断更新uk、wk、λ，直到满足约束条件

(4)

式中：ε为设置的极小值实数。

2 LSTM神经网络

长短期记忆网络(Long-Short Term Memory，LSTM)是一种特殊的RNN[10]，具有长期存储的特征，在处理时间序列问题上有着一定的优势。电力负荷数据有强烈的时间序列性，LSTM在处理这类数据的预测上有一定的优越性。LSTM采用控制门机制，主要由输入门、遗忘门和输出门组成,如图1所示。运算过程如下：

图1 LSTM记忆单元结构

ft=σ(Wf·[Ht-1,Xt]+bf)

(5)

it=σ(Wi·[Ht-1,Xt]+bi)

(6)

(7)

(8)

Ot=σ(WO·[Ht-1,Xt]+bo)

(9)

Ht=Ot*tanh(Ct)

(10)

3 VMD-LSTM预测模型的建立

建立VMD-LSTM组合预测模型以提高负荷序列的预测精度，具体流程如下:

(1)输入历史样本并进行数据预处理；

(2)VMD分解处理好的数据，提取电力负荷数据的各模态分量IMF和一个残差分量res；

(3)针对不同的IMF分量和res分量，构建训练集样本；

(4)将训练集样本输入LSTM模型进行训练，建立VMD-LSTM模型；

(5)将各分量的测试数据样本集输入预测模型进行预测,并将不同预测结果进行叠加，得到最终预测结果。

VMD-LSTM模型预测流程图如图2所示，模型参数设置如表1所示，VMD分解的各分量曲线如图3所示。

图2 VMD-LSTM模型预测流程图 图3 VMD的负荷分解曲线

表1 模型的参数设置

4 实验分析

仿真环境是MATLAB2018b，选取某市电力系统的负荷数据，将1 000组数据划分为训练样本和测试样本，采用滚动预测的方式。前80%个样本作为训练集用来建立预测模型，后20%个样本作为测试集用来验证预测效果。为了衡量预测模型的预测效果，选取平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)3种误差评价指标对其进行评判，误差评价指标的计算公式为：

平均绝对误差(MAE)：

(11)

均方根误差(RMSE)：

(12)

平均绝对百分比误差(MAPE)：

(13)

选取1 000组预处理完的电力负荷数据验证其预测结果，比较BP模型、ELM模型、LSTM模型与VMD-LSTM模型的预测结果，各模型实验仿真10次，取其平均值。VMD分解后各分量序列的预测值与真实值的对比结果如图4所示。

(a)IMF1 (b)IMF2

(c)IMF3 (d)IMF3

(e)残差分量

各模型预测效果对结果如图5所示，各模型预测相对误差对比图如图6所示，各模型的误差评价指标如表2所示。

图5 各模型预测效果对比图 图6 各模型预测相对误差对比图

表2 各模型的误差评价指标

从表2中可知，VMD-LSTM模型预测的MAE值较BP模型、ELM模型、LSTM模型分别降低了76.8%、64.4%、64.3%，MAPE值分别降低了81%、72.5%、71%，RMSE值分别降低了609.11 MW、422.37 MW、359.47 MW。由图5、图6和表2可以看出：VMD-LSTM模型的预测效果优于其他3个模型，预测精准度高，误差小，更贴近于真实值。

5 结 语

为提高短期电力负荷预测的精准度，提出一种基于VMD-LSTM的短期电力负荷预测模型，预测效果良好，为电力系统短期负荷预测提供了一种新的方法。