Page 8 - 电力与能源2023年第五期
P. 8
430 李 盖，等：基于 LSTM 组合模型的短期电力负荷预测
可以分为两类：一类是传统的统计学方法；另一类 GRU-LSTM 组合预测方法，该模型通过 EEMD
是机器学习方法。其中统计学预测模型结构简 算法对序列进行分解，有效地解决了 EMD 存在的
单，且不需要设置过多的参数就可以实现对电力 模态混叠的问题，然而该算法在处理序列时加入
负荷的预测。文献［4］通过建立温度与电力负荷 的白噪声很难完全消除，这会导致其分解后产生
序列间的 ARIMAX 模型来进行预测。文献［5］以 较大的重构误差，进而影响预测的精度。
指数平滑法建立了中长期负荷预测的模型。还有 为了提高在非线性、非平稳的电力负荷序列
学者通过线性回归和卡尔曼滤波等方法来进行负 上的预测精度，本文提出一种基于自适应白噪声
荷预测 ［6-8］ 。这一类数学统计预测方法虽然计算 的完备集合经验模态分解（CEEMDAN）的 TCN-
成本低、预测速度快，但同时也存在对具有非线性 LSTM 组 合 预 测 模 型 。 该 模 型 首 先 利 用
关系的数据映射能力不足的问题，往往会导致模 CEEMDAN 算法将电力负荷序列分解成若干个
型的鲁棒性和泛化性能较差，以至于预测精度很 本征模态函数（IMF）和一个剩余分量，随后对本
难达到人们的期望。 征模态函数和剩余分量进行平稳性检验，根据检
以深度学习为代表的机器学习方法逐渐成为 验结果将各非平稳序列合并成一条新的序列，平
学者们进行电力负荷预测的重要手段 ［9-11］ 。机器 稳序列则按照排列熵值（PE）进行合并重组，然后
学习方法对非线性数据有着较好的拟合能力，模 将各序列分别输入到 TCN 和 LSTM 模型中进行
型的稳健性和预测精度往往都优于传统的数学统 预测，最后将各序列所得的预测结果叠加，得到原
计预测模型 ［12］ 。基于深度学习的算法中，长短期 始序列完整的预测值。与其他算法模型相比，本
记忆网络（LSTM）、门控循环单元网络（GRU）和 文提出的先按照平稳性将序列进行分类，再根据
时间卷积网络（TCN）等都对电力负荷的预测有 排列熵值将拥有相近复杂度的平稳序列进行重组
着较好的效果，被学者们广泛运用于电力负荷预 预测的方法，在提高计算效率的同时，还具有更高
测。文献［13］利用误差倒数法将 LSTM 与 XG⁃ 的预测精度。
Boost 进行组合来实现对电力负荷的超短期预测。
1 相关理论方法
文献［14］提出先通过卷积神经网络（CNN）提取
负荷序列的高维特征向量，再利用 GRU 对其进行 1.1 自适应噪声完备经验模态分解（CEEMDAN）
预测。文献［15］通过 TCN 提取时序数据的时序 CEEMDAN 是在 EEMD 的基础上进行改进
特征后，将时序特征和非时序数据输入到 GRU 中 的。EEMD 方法的本质是一种叠加高斯白噪声
进行电力负荷预测，这种方法也取得了较高的预 的多次经验模态分解，利用高斯白噪声频率均匀
测精度。 分布的统计特性，通过每次加入零均值、固定方差
目前，也有部分学者提出了将序列分解算法 的白噪声来改变信号的极值点特性，从而有效抑
和机器学习算法组合的预测模型。在时间序列分 制模态混叠的产生。然而 EEMD 方法存在一定
［16］
解的算法中，常用的有小波变换（WT） 、经验模 的 不 足 ，即 EEMD 分 解 过 程 中 容 易 存 在 噪 声 残
［17］
态 分 解（EMD） 和 集 合 经 验 模 态 分 解 留 。 为 了 解 决 该 问 题 ，文 献［23］提 出 了
［18］
（EEMD） ，这些分解方法的目的都是将非线性、 CEEMDAN 算 法 ，CEEMADN 算 法 通 过 加 入 自
非平稳的序列转化为多个相对平稳的子序列，通 适应白噪声的方式进一步改进了 EEMD 算法，这
过对多个子序列单独进行预测，提高模型的预测 样不仅能够更加完备地将本征模函数分离，还能
效果。虽然对序列进行分解不是时间序列预测的 使重构误差变得更小，而且其具有比 EEMD 算法
必要环节，但其在金融、电力、风速等领域的预测 更低的运算成本。
研究上已经被广泛应用，且达到了较好的预测效 记原始负荷序列为 x ( t )，第 i（1，2，…，I）次添
果 ［19-21］ 。 文 献［22］提 出 了 一 种 基 于 EEMD 的 加的零均值和固定标准差的白噪声序列为 j i(t)，
