基于WOA-BiLSTM 模型的电力负荷预测

蓝俊欢，宋 倩

（1.广西电网有限责任公司河池供电局，广西 河池 546300；2.河池学院大数据与计算机学院，广西 河池 546300）

电力负荷预测是电力系统供需形势分析的根本，高效且精准预测电力负荷既有助于电力能源的合理分配，又能实时监控电力供需平衡，从而保障电力系统安全稳定运行[1]。短期电力负荷预测是电力负荷预测的重要组成部分，它是对未来某一时间段内各个时刻的用电负荷值的预测[2]。而今，学者们对电力负荷预测做了大量研究，又将CNN 与BiLSTM 组合构建了CNN-BiLSTM预测模型[3]；BiLSTM 模型是对单向LSTM 网络的扩展，具备双向时序特征，与LSTM 和CNN-LSTM 相比，CNN-BiLSTM提升预测的精度更优[4]。另外，将LSTM 与XGBoost 模型组合进行预测，预测精度均高于单一预测模型[5]。鉴于BiLSTM 的优势，结合已有研究成果，本文提出一种基于WOA-BiLSTM 的电力负荷预测方法。首先，WOA 算法对BiLSTM 模型进行优化，找到最优网络参数。然后传参给BiLSTM 模型进行预测。最后，通过广西某地区的电力实测值进行实验，检验所提方法的有效性。

1 预测模型的基本原理

1.1 BiLSTM 原理

BiLSTM 采用正向LSTM 层和反向LSTM 层相连接，同时提取过去和未来的隐藏层信息来实现对当前时刻的预测，从而提升模型的预测精度。电力负荷数据在单向LSTM 网络中训练按从前往后进行，训练方式对数据利用率低，难以充分挖掘数据内在特征。而BiLSTM双向网络对过去和未来的隐藏层状态进行递归传播，使信息提取更充分，因而BiLSTM 模型预测精度更精准。其网络结构如图1 所示。

图1 BiLSTM 网络结构图

1.2 WOA 算法原理

WOA 是一种模拟座头鲸围捕猎物行为的群体智能优化算法[6]，主要包含包围猎物、气泡网攻击和搜索猎物三大过程。

1.包围猎物：鲸鱼先确定目标猎物范围，即局部最优的捕食方向，设置好最优猎物位置进行包围，位置更新如公式（1）、（2）：

式中，X 为鲸鱼位置向量；X*为当前最优猎物的位置向量；t 为当前迭代轮数；A·D1为鲸鱼到猎物的距离。其中，A 和C 为系数向量，作用是控制鲸鱼的移动方式，可通过公式（3）-（5）计算得出。

式中，a 为从2 线性减少到0 的收敛因子；r 为[0,1]之间的随机数；tmax为当前迭代的最大值。

2.起泡网攻击：鲸鱼在攻击时有收缩包围机制和螺旋更新位置机制两种[7]。本文假设两种机制各占0.5的概率，鲸鱼更新位置如公式（6）、（7）：

3.搜索猎物：当|A|＜1 时，鲸鱼开始攻击包围猎物；当|A|＞1 时，鲸鱼随机探索新位置，然后选择新的猎物，随机寻优如公式（8）、（9）：

2 WOA-BiLSTM 组合预测模型

2.1 WOA 优化BiLSTM 算法流程

首先，对原始数据进行预处理，BiLSTM 模型读取数据集中的数据。其次，WOA 初始化种群参数，设置鲸鱼总群位置上下界、种群数量和鲸鱼个体空间维度。然后传参给BiLSTM 模型，输入训练集进行训练，在测试集中预测，得出真实值和预测值间的误差。最后，WOA 算法不断迭代，参数继续传参给BiLSTM 模型进行再训练，直到找到最优网络超参数和最优解传递给模型。算法流程如图2 所示。

图2 WOA-BiLSTM 算法流程图

2.2 数据预处理及误差指标

2.2.1 数据归一化

本文选用广西某地区的实际电力2014年1月1日—2015 年1 月10 日共1 年10 天的负荷数据，一天采集96 个样本点，时间间隔为15min。采用最小—最大标准化将数据归一化到[0,1]，计算如公式（10）所示。

式中，Xi是第i 个时间点的负荷数据；是Xi归一化后的值；Xmax和Xmin分别为实测数据中的最大值和最小值。当归一化后，利用公式（11）对其进行反归一化。

2.2.2 误差评价指标

本文采用mape、rmse、mae 来评价预测模型的性能。mape、rmse 及mae 的值越小，代表负荷预测越准确，指标计算如公式（12）-（14）所示。

式中，y(t)为t 时刻真实负荷值；y*(t)为t 时刻预测负荷值；n 为负荷数据总数。

3 WOA-BiLSTM 模型预测结果分析

3.1 各个神经网络模型对比

将选取的数据分别输入BP、LSTM、BiLSTM 模型中，依次对1 月9 日和1 月10 日的负荷进行预测，BiLSTM较BP 在mape、rmse、mae 降低了0.6097%、30.64MW、0.2370%，较LSTM 在mape、rmse、mae 也降低了0.0267%、1.22MW、0.0098%，BiLSTM 模型较BP、LSTM 模型有更好的预测性能。如表1 所示。

表1 各个神经网络模型的评价指标

3.2 WOA 优化BiLSTM 前后对比

利用WOA对模型参数进行优化后，mape降低了0.0541%，rmse 减少了30.9MW，表明WOA 算法能为BiLSTM 寻到较优的参数，模型预测效果更好。如表2 所示。

表2 WOA 优化前后误差对比

4 结论

本文构建WOA-BiLSTM 的短期电力负荷预测模型，其优势在于：既考虑了温度、湿度、降雨量等多维因素对负荷预测的影响，从而提升了待测日的预测精度，又应用WOA 算法优化BiLSTM 模型找到一组网络超参数，实现了超参数的优化选择，使预测精度更优。