基于GWO-LSTM的短期电力负荷预测

摘要：在电网的建设和运营过程中，电力负荷预测是非常重要的一环，根据预测结果，可以更好地进行电网调度及安全监测等重要工作，因此在做预测时尽可能提高预测精度是非常有必要的.根据选用数据中温度、湿度、日期类型及负荷数据分析，先采用支持向量机（Support Vector Machines， SVM）、长短期记忆神经网络（Long Short Term Memory，LSTM）对电力负荷进行预测，然后通过灰狼优化算法（Grey Wolf Optimizer，GWO）优化LSTM神经网络的超参数，最后使用优化后的模型进行预测.通过实验证明了所提方法的预测精度更高.

关键词：长短期记忆网络；预测精度；灰狼优化算法；电力负荷预测模型

中图分类号：TM715 文献标志码：A

文章编号：2095-6991（2023）01-0066-04

Abstract：In the process of power grid construction and operation， power load forecasting is essential. According to the prediction results， it can better carry out important work such as power grid dispatching and safety monitoring. Therefore， it is necessary to improve the prediction accuracy as much as possible. Through the analysis of temperature， humidity， date type and load data in the selected data， support vector machines （SVM） and long short term memory neural network （LSTM） are used to predict the power load respectively， and the super parameters of LSTM neural network are optimized through iteration by grey wolf optimizer （GWO）. Finally， the three methods are compared， and the results show that the prediction accuracy of the method is higher.

Key words：long-term and short-term memory; prediction accuracy; gray wolf optimization algorithm; load forecasting model

负荷预测是保证电力系统稳定运行的一项重要工作，首先根据预测对象信息可以得到其用电需求，从影响负荷的气候因素、日期等实际情况出发，挖掘影响因素与用电负荷之间的关系，进而对所选对象的用电行为进行预测，得到准确、可靠的预测结果.通过分析预测对象的历史信息建立预测模型来认识对象的变化规律.在过去的研究中，国内外学者提出了许多方法来提高预测结果的精度，这些方法主要概括为基于统计方法和基于人工智能方法.统计方法是基于数学模型，包括随机时间序列、回归预测法等，其缺点在于不擅长非线性预测.支持向量机（Support Vector Machines， SVM）[1]、人工神经网络模型等方法对于非线性函数具有较好的拟合能力，这些方法基于人工智能且预测精度相较于传统方法有所改进.近年来，发展迅速的深度学习出现在广大学者的视野中且被广泛应用于各种领域.长短期记忆网络（Long Short-Term Memory， LSTM）[2]通过加入内存单元来解决问题，在历史序列数据中学习长短期规律信息会更加完整，在短期负荷预测中表现颇佳.本文采用灰狼优化算法优化LSTM超参数，建立灰狼优化算法优化长短期记忆网络的负荷预测模型，在进行负荷预测时取得了较好的效果.

1 GWO优化LSTM模型

1.1 LSTM

基于RNN改进的LSTM灵活性和可控性均有明显提升，同时在LSTM网络中引入自循环设计[3]，让梯度实现持续长时间流动，可从历史数据中学习长时间的计算记忆信息.LSTM 内部结构如图1所示.

数据中的历史信息记忆任务由记忆单元与隐藏状态执行.根据ht－1和xt 可知，遗忘门删除储存在记忆单元的信息.遗忘门表达式为：

2 灰狼优化算法优化长短期记忆网络

灰狼优化算法具有较强收敛性和全局遍历性等特点，为了避免人为经验影响LSTM模型的效果，选用灰狼优化算法对LSTM模型的超参数、迭代次数、隐藏层神经元个数以及学习率进行参数寻优.首先将数据中日期类型、负荷、温度和湿度等数据进行预处理，并划分为用于训练模型的训练集和用于验证精度的测试集[4].先将算法的迭代次数、维度、种群数进行初始化，确定上述要优化的参数范围，然后随机生成种群并把其参数设置到LSTM中，计算它们的适应度（本文以模型的预估值与真实值的均方差作适应度），把当前最优解与全局最优解进行比较，进一步择优.经持续迭代，LSTM超参数得以持续更新，达最大迭代次数为止，最后输出最优解对应的参数值用于构建电力负荷预测模型.

3 算例分析

3.1 数据处理及评价指标

数据集使用某地区全年电力负荷、日类型和气候数据，负荷数据为 15 min 粒度，一日为96个数据点，测试集选全年数据中最后10日，训练集为其余355日数据.

首先对数据集x进行归一化操作，使得所有数据在区间[0，1]内，公式如下：

此外电力负荷的影响因素还有日期类型[5]，在工作日、周末和节假日负荷往往呈现不同的工作状态.因此在对负荷进行预测时要考虑日期类型的影响，对于日期类型因素可量化为一个数值作为模型的一个输入，根据所选数据中不同日期类型的负荷数据分析可将日期类型量化为不同数值[6-7]，如表1所列.

3.2 预测结果分析

为验证所用模型可靠性和准确度，选用SVM、LSTM两个常用的预测模型与文中所用的GWO-LSTM方法进行比较.预测结果（其中1日）如图2所示，通过图2可以明显看出所提模型的预测结果更接近真实值.

3.3 误差分析

在预测过程中相对误差可以较好反映预测结果的准确性，对比3种方法的相对误差情况如图3所示.

通过图3可以明显看到优化后的网络模型降低了误差.预测结果评估指标对比和模型效果提升的量化值如表2和表3所列，通过对比可以发现，优化后的各项评估指标效果均有一定提升，达到了预测结果.

4 结语

本文通过使用LSTM对电力系统负荷预测，其超参数包括学习率、迭代次数和隐藏层神经元个数受人为因素影响，网络预测结果的精度非常依赖参数选择，不同参数会导致预测结果的精度各有不同.为了提高预测模型的预测精度，提出一种基于GWO-LSTM的电力负荷预测方法，将模型的预测值与真实值的均方差作为适应度，迭代寻找到最佳的超参数.经过优化建立了更佳的预测模型，提高了预测精度.

参考文献：

[1] 胡永迅，李彦梅.基于PSO-SVR的电力负荷预测[J].佳木斯大学学报（自然科学版），2021，39（6）：54-57.

[2] 庞传军，张波，余建明.基于 LSTM 循环神经网络的短期电力负荷预测[J].电力工程技术，2021，40（1）：175-180.

[3] 余引.基于CS-LSTM算法的电力负荷预测[D].北京：华北电力大学，2021.

[4] 李畸勇，张伟斌，赵新哲，等．改进鲸鱼算法优化支持向量回归的光伏最大功率点跟踪[J]．电工技术学报，2021，36（9）：1771-1781.

[5] 李琦，赵峰.基于气温与日期类型的改进ＢＰ网络热负荷预测[J].系统仿真学报，2018，30（4）：1464-1472.

[6] 林扬宇，易弢，陈彬，等.考虑气象因素和日期类型的短期负荷预测[J].计算机仿真，2014，31（3）：109-112.

[7] 王惠中，刘轲，周佳.基于综合气象指数和日期类型的电力系统负荷预测[J].电网与清洁能源，2015，31（9）：68-71.

[8] 林涵，郝正航，郭家鹏，等．基于TCA-CNN-LSTM的短期负荷预测研究[J/OL]．电测与仪表，2021.https：//kns.cnki.net/kcms/detail/23.1202.TH.2021 1027.1431.002.html

[9] HARIHARAN R，MORE K K.A research on electric load forecasting factors effecting and methods involved[J].International Journal of Innovative Technology and Exploring Engineering（IJITEE），2019，8（12）：1462-1466.

[10] ABEDINIA O，AMJADY N，ZAREIPOUR H.A new feature selection technique for load and price forecast of electrical power systems[J].IEEE Transactions on Power Systems，2017，32（1）：62-74.

［责任编辑：李 岚］

作者简介：王旭（1998-），男，安徽阜阳人，在读硕士，研究方向：电力系统负荷预测.E-mail：459356970@qq.com.