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]。
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。
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)
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
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。
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。