Page 13 - 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 435

图 5 本文模型的最终预测结果
为了进一步证明 CAPTL 算法的有效性，本
文将 CAPTL 算法与单一预测模型进行预测精度 图 6 本文所提模型与其他单一预测模型的预测结果对比
对 比 。 其 中 ，单 一 预 测 模 型 包 括 LSTM 模 型 、 18.08%。其次，通过 ADF 检验将 CEEMDAN 分
TCN 模型等，组合预测模型包括以下几种。
解后的分量按照平稳性质进行分组合并，通过对
（1）WT-LSTM 模型，即先对负荷数据进行

具有相同平稳性的序列进行分组预测的方法，避
小波分解处理，再运用 LSTM 模型进行预测，简
免了多次预测造成误差累积同时也提升了预测的
称 WL。
效率。最后，引入排列熵值对 CEEMDAN 分解后
（2）CEEMDAN-LSTM 模型，即先对负荷数

的序列进行重组，再分别使用 TCN 和 LSTM 模
据进行 CEEMDAN 分解处理，再运用 LSTM 模
型 进 行 预 测 的 方 法 ，其 预 测 精 度 也 要 好 于
型进行预测，简称 CL。
CEEMDAN-LSTM 模型，且有更小的计算成本。
（3）CEEMDAN-ADF-LSTM 模型，即先对

结果表明，本文提出的预测模型 CAPTL 预测结
负荷数据进行 CEEMDAN 分解处理，然后将具有
果 的 MAE 值 、RMSE 值 和 MAPE 值 分 别 为
相同平稳性的分量重组，最后运用 LSTM 模型对
17.072、21.061 和 1.807，在预测精度上要优于其
重组序列进行预测，简称 CAL。
他预测模型，具有更小的预测误差。
（4）CEEMDAN-PE-TCN-LSTM 模 型 ，即

表 7 各模型预测误差对比
先对负荷数据进行 CEEMDAN 分解处理，然后根
模型 MAE 值 RMSE 值 MAPE 值
据各分量的排列熵值进行序列重组，对高排列熵
SVR 49.746 58.093 5.408
值重组序列使用 LSTM 模型预测，低排列熵值重 TCN 41.262 57.669 4.424
组序列使用 TCN 模型预测，简称 CPTL。 LSTM 37.776 48.699 3.967
WL 35.561 43.696 3.843
本文所提组合模型算法（CAPTL）与单一预
CL 29.862 39.446 3.148
测模型预测结果的对比如图 6 所示。由图 6 可以 CPTL 19.052 22.506 2.008
CAPTL 17.072 21.061 1.807
看到，CAPTL 算法的预测曲线与其他算法相比
更加贴近真实的负荷数据变化曲线，取得了更好
4 结语
的预测效果。
表 7 给出了各预测模型的 MAE 值、RMSE 值 针对电力负荷序列难以精准预测的难题，本
和 MAPE 值。由表 7 可以看到，CAPTL 模型的 文 提 出 了 一 种 基 于 CEEMDAN 分 解 的 TCN-
MAE 值、RMSE 值和 MAPE 值都要明显低于其 LSTM 组合模型的超短期电力负荷预测方法。该

他模型。首先，对于 LSTM 预测模型来说，序列 方法首先通过 CEEMDAN 将负荷序列分解，再将
在经过小波分解后其预测精度会有所提升，但经 各 序 列 按 平 稳 性 分 类 ，非 平 稳 序 列 合 并 后 使 用
过 CEEMDAN 分解的预测结果也要明显地好于 LSTM 模型进行预测，平稳序列则按照排列熵值
使用小波分解的预测结果，其 MAE 值、RMSE 值 合并成具有高排列熵的平稳序列和具有低排列熵
和 MAPE 值 分 别 降 低 了 16.03%；9.73% 和 的平稳序列，最终通过 LSTM 模型和 TCN 模型