Page 12 - 电力与能源2023年第五期

434 李 盖，等：基于 LSTM 组合模型的短期电力负荷预测

算量，还能将具有相同平稳性质的序列进行分类， 收敛效果。本文采用的是双层 LSTM 模型，在每
避免不同平稳性的序列融合在一起后造成难以预 个 LSTM 层后连接一个 dropout 层，通过 dropout
测准确的情况。经过检验，各分量序列平稳性检 层 可 以 降 低 过 拟 合 的 概 率 ，从 而 提 高 预 测 的 精
验结果如表 1 所示。 度 ［24］ 。在 TCN 网络中，卷积核和滤波器的大小将

表 1 各分量序列平稳性检验结果 直接影响到计算量与收敛速度。各参数经过反复
序列 IMF1 IMF2 IMF3 IMF4 IMF5 IMF6 RES 试验调整，最终设置卷积核大小为 4，滤波器大小
平稳性 平稳 平稳 平稳 平稳 非平稳 非平稳 平稳
为 5，扩张系数为（1，2，4），滑动窗口大小均选择为
由表 1 可知，分量 M IMF5， M IMF6 为非平稳序列， 24，即通过前 24 h 来预测下一个小时的负荷值。
通过建立好的模型分别对序列 L 2、序列 L 3 和序列
其余分量均为平稳序列。因此分别将 M IMF5，M IMF6
分量进行合并重组，形成新的序列 L 1。通过 ADF L 4 进行多次的试验预测，由表 4~表 6 可知，在对
检验，可知合并后的序列 L 1 还是非平稳序列。 高 排 列 熵 值 的 平 稳 序 列 L 2 和 序 列 L 4 的 预 测 中 ，
为了减少预测的计算量，并提高预测精度，对 LSTM 模型的预测精度要高于 TCN 模型；而在对

分解后的平稳子序列 M IMF1，M IMF2，M IMF3，M IMF4 和 低排列熵值的平稳序列 L 3 的预测中，TCN 模型的
S res 进行排列熵的计算，并对排列熵值进行归一化 预测效果反而比 LSTM 模型更好。因此，本文选
处 理 ，归 一 化 后 的 熵 值 如 表 2 所 示 。 可 以 看 到 择 LSTM 模型对序列 L 1、序列 L 2 和序列 L 4 进行预
IMF 分量的排列熵值逐渐变小，说明序列的随机
测，选择 TCN 模型对序列 L 3 进行预测，从而降低
程度也在依次降低。本文将相邻归一化排列熵值
整体的预测误差，达到最高的预测精度。
小于 0.1、组内排列熵值小于 0.15 的序列进行合并
表 4 TCN 和 LSTM 在序列 L 2 上的预测效果对比
重组。其中 M IMF1 序列归一化后的排列熵值最大，
模型 MAE 值 RMSE 值 MAPE 值
且 与 其 他 IMF 序 列 的 排 列 熵 值 相 差 较 远 ，因 此 TCN 19.57 29.81 75.54
M IMF1 序列单独分为一组；而 M IMF2， M IMF3， M IMF4 的 LSTM 17.33 27.87 30.65
排 列 熵 值 相 对 较 为 接 近 ，因 此 将 M IMF2， M IMF3 和 表 5 TCN 和 LSTM 在序列 L 3 上的预测效果对比
M IMF4 合 并 重 组 。 由 此 得 到 3 组 重 组 的 序 列 ： 模型 MAE 值 RMSE 值 MAPE 值
TCN 4.06 4.75 4.41
M IMF1，M IMF2+M IMF3+M IMF4，S res。将 3 组重组序列
LSTM 5.31 6.11 9.10
分别记为序列 L 2，L 3 和 L 4。综上，各序列合并结果
表 6 TCN 和 LSTM 在序列 L 4 上的预测效果对比
见表 3。
模型 MAE 值 RMSE 值 MAPE 值
表 2 各平稳序列对应的归一化后的排列熵值 TCN 6.04×10 4 1.07×10 3 5 539.93
4 3
序列 M IMF1 M IMF2 M IMF3 M IMF4 S res LSTM 5.82×10 1.03×10 1 450.79
归一化排列熵值 0.778 0.593 0.494 0.444 0.760
3.3 预测结果与分析
本 文 将 数 据 集 中 2018 年 6 月 1 日 1：00 至
表 3 各分量合并结果
2018 年 6 月 24 日 11：45 时间段的数据作为训练
L 1 L 2 L 3 L 4
集，将 2018 年 6 月 24 日 12：00 至 2018 年 6 月 24 日
M IMF5 +M IMF6 M IMF1 M IMF2 +M IMF3 +M IMF4 S res
3.2 模型选择 15：00 时间段的数据作为测试集，分别将序列 L 1、
深度学习方法作为时间序列预测方法中的重 序列 L 2 和序列 L 4 的数据输入 LSTM 模型中进行

要一支，展现出比传统统计预测方法更大的优势， 预测，将序列 L 3 的数据输入 TCN 模型进行预测。
其不需要建立复杂的数学模型就能够很好地拟合 得到 4 组的预测结果后，将 4 组预测值相加获得最
出数据间的非线性关系。在实际研究中，LSTM 终的电力负荷预测结果。最终预测的结果如图 5
网络中的层数一般不超过 3 层，这样既能保证网 所示，可以看到本文提出的方法得到的预测数据
络有较强的学习能力，又能保证训练时有较好的 与真实的负荷值基本能够吻合。