Page 10 - 电力与能源2023年第五期

432 李 盖，等：基于 LSTM 组合模型的短期电力负荷预测

来解决这一问题。时间卷积网络的结构示意如图 的输出。
1 所示。 其中遗忘门决定了上一时刻的内部状态 c t - 1

有多少信息会被遗忘，输入门决定了候选状态 b t
需要保存多少信息，而输出门控制着有多少信息
将被输出。各单元状态计算公式如下：
b t = tanh(W c x t + U c h t - 1 + b c) （15）
（16）
c t = f t*c t - 1 + i t*b t
h t = o t*tanh ( c t ) （17）
式中 c t - 1——前一时刻的记忆单元；b t——当前
时刻的候选状态； h t——当前时刻的外部状态，即
当前时刻的输出； tanh——tanh 激活函数。
图 1 TCN 结构示意
LSTM 模型的总体结构示意如图 2 所示。
扩张卷积对卷积时的输入以扩张率 d 为基础
进行间隔采样，最下面一层扩张率 d=1，表示模
型对这一层的每一个输入值都进行采样；d=2，表
示模型对每两个输入值中的一个进行采样。网络
模型中 d 的大小随着层数呈 2 的指数型增长，这样

使得 TCN 只需要通过很少的层，就可以使模型拥
有较大的感受野。 图 2 LSTM 网络结构示意
同时为了提升网络模型的训练效果，TCN 中
还加入了残差连接模块，使得网络模型可以将信 2 组合预测方法与模型评价
息以跨层的方式来进行传递，进而使模型的反馈
2.1 CEEMDAN-ADF-PE-TCN-LSTM 模 型
和收敛速度进一步提升。一个残差单元中包含 2 （CAPTL）
个卷积层和非线性映射，通过非线性映射来确保 本 文 通 过 构 建 基 于 CEEMDAN 的 TCN-
数据输入和输出维度的统一。此外，TCN 还在每 LSTM 组合预测模型，实现对电力负荷的超短期
个卷积层中加入了 Dropout 层以实现网络的正则 预测。预测步骤大致可以分为 4 步。预测模型框
化，进而提升模型的拟合能力。 架流程如图 3 所示。
1.4 长短期记忆网络 步骤 1：利用自适应噪声完备集合经验模态
LSTM 网络是循环神经网络（RNN）的变体， 分解的方法对原始序列进行处理，将原始序列分
它有效地解决了简单循环神经网络存在的梯度爆 解成若干组 IMF 分量和 1 组剩余分量 RES。
炸以及梯度消失的问题。LSTM 可以根据自身内 步骤 2：对分解产生的各个本征模态函数进

部的结构特点，来学习数据间较长距离的依赖信 行平稳性检验（ADF 检验），将非平稳序列直接进
息，因此它非常适用于时间序列的预测。LSTM 行合并重组，利用平稳序列中的模态分量序列计
通过引入输入门 i t、遗忘门 f t 和输出门 o t 来控制信 算排列熵并进行分组合并。
息的传递。3 个门的计算公式如下： 步 骤 3：先 将 合 并 后 的 非 平 稳 序 列 输 入 到
i t = σ (W i x t + U i h t - 1 + b i) （12） LSTM 模型中进行预测； 按照熵值大小合并重组
f t = σ (W f x t + U f h t - 1 + b f) （13） 为 高 排 列 熵 组 合 和 低 排 列 熵 组 合 ，而 剩 余 分 量
o t = σ (W o x t + U o h t - 1 + b o) （14） RES 序列则单独成一组，再将平稳序列重组的 3 个

式中 W， U——权重； b 为偏置； σ——sigmoid 激 组合分别输入到 LSTM 和 TCN 模型中进行预测。
活函数； x t——当前时刻输入； h t - 1——上一时刻 步骤 4：将 TCN 和 LSTM 两个神经网络模型