Page 11 - 电力与能源2023年第五期

李 盖，等：基于 LSTM 组合模型的短期电力负荷预测 433

其他预测方法相比的优越性，本文选取学界公认
的 3 个精度指标，即平均绝对误差（MAE）、均方根
误差（RMSE）和平均绝对百分比误差（MAPE），
作为模型预测效力的评价指标。

3 实例分析

为了验证本文提出的预测方法的科学性和
可靠性，选取上海某配电变压器采集的 2018 年 6
月 1 日 至 2018 年 6 月 30 日 的 96 点 功 率 时 序 数

据，采样间隔为 15 min，每日共 96 条数据，数据集
累计 2 880 条记录。下面将运用前文的评估指标
和步骤，将本文算法的预测结果与其他算法的预
测结果进行对比。
3.1 CEEMDAN 分解与重组
通过 CEEMDAN 将原始序列分解为频率从

高到低的 6 组本征模态函数和 1 组剩余分量 RES，
如图 4 所示。可以看到，分解后的 RES 项光滑，且
图 3 预测模型框架流程
各分量的频率都相对较为稳定，并没有产生模态
预测得到的 4 个预测值进行累加整合，得到最终 混叠的现象。
的预测结果。 对模态分量 M IMF1~M IMF6 及剩余分量 RES 序

2.2 模型评价 列这 7 个序列进行平稳性检验，将非平稳的序列
为了更加全面合理地评价本文所提出方法与 直接进行合并重组，这样不仅能够减少预测的计

图 4 电力负荷数据的 CEEMDAN 分解