Page 14 - 电力与能源2023年第五期

436 李 盖，等：基于 LSTM 组合模型的短期电力负荷预测

分别进行预测。与现有的预测算法相比，本文提 ［6］ AMRAL N，OZVEREN C S，King D. Short term load

出的方法具有以下优势。 forecasting using multiple linear regression［C］// Interna⁃
tional Universities Power Engineering Conference，2007.

（1）CEEMDAN 方 法 相 比 于 其 他 分 解 算 法

［7］ 刘 鑫，滕 欢，宫毓斌，等 . 基于改进卡尔曼滤波算法

能够更加完备地将序列进行分解，并具有更小的 的短期负荷预测［J］ 电测与仪表，2019，56（3）：42-46.
.

分解误差，进一步提升了模型的预测精度。 ［8］ RAZGHANDI M， TURGUT D. Residential appliance-
level load forecasting with deep learning［C］// GLOBECOM
（2）通过平稳性分析，将经过分解后的子序

2020—2020 IEEE Global Communications Conference，
列划分为只具有细节波动的平稳子序列和包含有 2020.
随机波动及周期性等趋势信息的非平稳子序列， ［9］ 陆继翔 ，张琪培 ，杨志宏 ，等 . 基 于 CNN-LSTM 混 合 神

经网络模型的短期负荷预测方法［J］ 电力系统自动化，
.
将非平稳子序列合并输入到对非平稳序列具有较
2019，43（8）：131-137.

强学习能力的 LSTM 网络中进行预测，在增强了

［10］ HONG Y，ZHOU Y，LI Q，et al. A deep learning method

被预测序列的时序特征的同时，减少了预测的计 for short-term residential load forecasting in smart grid［J］ .
算规模。 IEEE Access， 2022，8： 55785-55797.

［11］ KWON B，PARK R，SONG K. Weekly peak load fore⁃
（3）针对平稳的子序列，通过引入排列熵将

casting for 104 weeks using deep learning algorithm［C］//
具有相近排列熵值的序列进行重新组合产生复杂 2019 IEEE PES Asia-Pacific Power and Energy Engineer⁃
度差异明显的新序列的方法，不仅能够有效挖掘 ing Conference （APPEEC），2019.

［12］ 陈振宇，刘金波，李 晨，等 . 基于 LSTM 与 XGBoost 组

序列间的隐藏信息，还能够减少预测的计算规模。
合 模 型 的 超 短 期 电 力 负 荷 预 测［J］ 电 网 技 术 ，2020，44

.

（4）针对所用的预测模型，本文验证了不同

（2）：614-620.
预测模型在不同排列熵值大小的平稳序列上的预 ［13］ 姚 程 文 ，杨 苹 ，刘 泽 健 . 基 于 CNN-GRU 混 合 神 经 网

测性能，选择具有最优性能的模型进行预测，达到 络 的 负 荷 预 测 方 法［J］. 电 网 技 术 ，2020，44（9）：3416-
3424.
了更好的预测效果。
［14］ 郭 玲，徐青山，郑 乐 . 基于 TCN-GRU 模型的短期负

算例结果显示出本文基于 LSTM 而得出的 荷预测方法［J］ 电力工程技术，2021，40（3）：66-71.
.

组合模型方法相比其他常用的单一模型预测方 ［15］ LIU D，LI H. Short-term wind speed and output power

forecasting based on WT and LSSVM［C］// 2009 Interna⁃
法，能更准确地预测配变负荷的变化，且各项精度
tional Conference on Information Engineering and Computer
指标均优于其他预测方法。该方法以 LSTM 为
Science，2009.

基座模型，结合了几种高效率算法，利用深度学习 ［16］ BI S，XU Y，CHEN X，et al. Research on short-range cli⁃

方法在时序数据预测上的优势，具有较好的理论 matic forecast method based on EMD and SVM［C］// 2010
Third International Conference on Information and Comput⁃
价值和实际意义。

ing，2010.
参考文献： ［17］ 刘亚珲，赵 倩 . 基于聚类经验模态分解的 CNN-LSTM

.

［1］ 史 杰 . 负荷预测对电网安全运行的重要性［J］ 企业改革 超短期电力负荷预测［J］ 电网技术，2021，45（11）：4444-
.
4451.
与管理，2014（5）：129.

［2］ TUNA G，VATANSEVER A，DAS R. A comparison of ［18］ 杨永锋，吴亚锋 . 经验模态分解在振动分析中的应用［M］ .

北京：国防工业出版社，2013.

the performance of classification methods and artificial neu⁃
［19］ 邓带雨，李 坚，张真源，等 . 基于 EEMD-GRU-MLR 的

.
ral networks for electricity load forecasting［J］ The Eurasia

.
短期电力负荷预测［J］ 电网技术，2020，44（2）：593-602.

Proceedings of Science，Technology，Engineering & Math⁃

ematics，2018（18）：233-238. ［20］ TORRES M E，COLOMINAS M A，SCHLOTTHAUER

［3］ 张素香，赵丙镇，王风雨，等 . 海量数据下的电力负荷短 G，et al. A complete ensemble empirical mode decomposition

.

期预测［J］ 中国电机工程学报，2015，35（1）：37-42. with adaptive noise［C］// 2011 IEEE International Confer⁃

［4］ 崔和瑞，彭 旭 . 基于 ARIMAX 模型的夏季短期电力负 ence on Acoustics，Speech and Signal Processing （ICASSP），

.
荷预测［J］ 电力系统保护与控制，2015，43（4）：108-114. 2011.

.
［5］ 叶宗斌，周步祥，林 楠，等 . 基于等维信息指数平滑法 ［21］ 莫达隆 . 利用 ADF 检验对时间序列进行建模［J］ 时代金

模型的中长期负荷预测［J］ 电力系统保护与控制，2012， 融，2010（4）：46-48.

.
40（18）：47-51. （下转第 440 页）