Page 62 - 电力与能源2024年第四期
P. 62
456 赵艺然，等：考虑季节变化对负荷特征影响的电力系统短期负荷预测
j
j
列 到 序 列（Sequence to Sequence）模型相结合的 ì y ( t )= y ( t )+ α 0 E 1 [ η ( t ) ]
ï ï
预测短期电力负荷的方法。文献［6］在负荷序列 ï ï j
ír n ( t )= M { r n - 1 ( t )+ α n - 1 E n [ η ( t ) ] } （1）
ï ï
中引入了非可变序列算法（STL），并将分解后的 î
ï ï IMF n ( t )= r n - 1 ( t )- r n ( t )
j
分量投放到长短期记忆网络（LSTM）和时间卷积 式中 y（t） ——原始负荷序列；y（t）——加噪信
网络（TCN）模型中进行训练，得到了预测模型。 号； n
r（t），IMF n （t）——第 n 阶残差分量和模态分
文献［7］首先利用预测模型对历史负荷数据进行 量；E n （·）——通过 EMD 算法获取的第 n 阶模态；
处理，然后利用多维门控循环单元将融合了多个 M n （·）—— 包 络 计 算 ；（·）—— 求 均 值 计 算 ；
j
时序信息的负荷信息进行重新加工，得到了多维 η ( t )——添加第 j 次白噪声；α n-1——去除噪声的
时序信息融合的短期电力负荷预测模型。文献 标准差。
［8］以智慧园区为背景，提出了一种结合改进的自 1.2 BiGRU 算法模型
适应噪声完备集合经验模态分解（ICEEMDAN）、 为了更好地处理电力负荷中隐藏的时间序列
卷积神经网络（CNN）和 K-shape 的短期负荷预测 信息，本文选择双向循环神经网络（BiGRU）作为
方法。文献［9］提出的预测方法是利用 CNN 挖掘 神经网络模型 ［14］ 。该模型拥有 2 个方向相反的时
不同数据间的非线性空间联系，利用双向门控循 间序列预测（GRU）模型，可以对电力负荷的正反
环单元（BiGRU）捕获时间序列中的依赖关系，最 双向时序特征进行有效提取，得到其中的依赖关
后引入传递路径分析（TPA）以赋予特征权重，实 系，使得 BiGRU 在处理时间序列的负荷数据上更
现负荷预测。文献［10］将某地区详细的气象数据 有优势。正向 GRU 计算公式为
和历史负荷一起作为模型的输入，通过构建基于
ìr t = σ (W xr x t + b xr + W hr h t - 1 + b hr )
ï ï
ï
卷积神经网络和长短时记忆神经网络的预测模型 ï ï ï z t = σ (W xz x t + b xz + W hz h t - 1 + b hz )
í （2）
实现预测。文献［11］提出了一种基于离散小波变 ï ï n t = tanh [ r t ∘(W hn h t - 1 + b hn )+ W xn x t + b xn ]
ï
ï
换、自组织特征映射与层次模糊系统多模态组合 î
ï ï h t = z t ∘ h t - 1 +(1 - z t )∘ n t
方法的配电台区短期负荷预测方法。 式中 x t——t 时的输入；h t——t 时的输出；r t——
目前的多元负荷预测方法大都忽略了对不同 重 置 门 ；z t—— 更 新 门 ；W xr，W hr，W xz，W hz，W hn，
区域季节性变化因素的考虑，因此本文提出一种 W xn——权重系数矩阵；b xr，b hr，b xz，b hz，b hn，b xn 表示
基于 ICEEMDAN-RIME-BiGRU 混合神经网络 偏置项矩阵；σ——sigmoid 函数；tanh——双曲正
模型的多能微网短期负荷预测方法。 切函数； ∘——两个矩阵的点积。
BiGRU 的总体结构如图 1 所示。通过 GRU
1 算法模型原理 的正反双向传播，最终得到了 h t 的输出结果。
1.1 ICEEMDAN 算法模型
基 于 ICEEMDAN 的 分 解 特 性 ［12-13］ ，本 文 在
探究不同季节对电力负荷的差异性作用时，选择
使用加入白噪声的 ICEEMDAN 将负荷数据进行
分解，既降低了对分解数据频率混叠和伪模态产
生的干扰，保证了不同季节负荷的独立性；又保留 图 1 BiGRU 的总体结构
了相邻数据之间的关联性，保证了相邻季节数据 1.3 RIME 算法模型
过渡的连续性。分解过程依据不同季节的时间尺 霜冰优化算法（RIME）是基于霜冰在自然条
度，将不同季节负荷裁成不同频率的多个本征模 件下，按照其生长路径对软霜和硬霜进行模拟的
态函数（IMF）和一个残差（Res），CEEMDAN 的 一种搜索算法 ［15］ 。本文使用该算法对不同区域位
I
分解步骤如下式所示： 置情况下不同季节的电、热、冷负荷预测模型进行
