Page 63 - 电力与能源2024年第四期

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 457

参数寻优。RIME 通过模拟冰霜在未凝固时的颗
粒运动过程和硬霜在结冰后不同颗粒相互叠加、
交叉的生长过程，构建了软霜时间搜索策略和硬
霜穿刺机制，同时引入了正向贪婪选择机制，使得
该算法能够实现优化方法中的最优解探索和开发
行为。算法粒子更新公式如下：

new
ì R ij = R best，j +
ï ï
ï ï r 1 ⋅ cos θ ⋅ β ⋅[ h ⋅(Ub ij - Lb ij )+ Lb ij ]，
ï ï
ï ïr 2 < E
ï ï
ï ï t
í θ = π ⋅ 10T （3）
ï ï
wt
ï ï ( )
ï ï β = 1 - /w
ï ï T
ï ï
ï ïE = ( t/T )
î
式中 R ij ——更新后粒子的新位置，其中 i 和 j
new
表示第 i 个 Rime 代理的第 j 个粒子；R best，j——冰霜
种 群 R 中 最 佳 冰 霜 的 第 j 个 粒 子 ；r 1—— 参 数
（−1，1）范 围 内 的 随 机 数 ；r 1 —— 控 制 粒 子 运 动
的 方 向 ；cosθ—— 将 随 着 迭 代 次 数 的 变 化 而 改

变；β——环境因子，会跟随迭代次数来模拟外部
环境的影响以确保算法的收敛性；H——黏附度，
是属于（0，1）范围内的随机数，其作用是控制两个
图 2 整体耦合模型流程
雾凇粒子中心之间的距离。
1.4 ICEEMDAN-RIME-BiGRU 耦合模型 计 70 080 组 数 据 。 将 该 数 据 集 按 照 4 个 季 度 划
ICEEMDAN-RIME-BiGRU 整 体 耦 合 模 型 分，即将每年 3~5 月的数据定义为春季负荷，6~8
流程如图 2 所示。首先对数据进行预处理，对缺项 月的数据为夏季负荷、9~11 月的数据为秋季负
数 据 和 异 常 数 据 进 行 补 漏 和 修 正 ；然 后 利 用 荷，12 月至次年 2 月的数据为冬季负荷。
ICEEMDAN 的分解特性，对划分好四季的电、热、 本文选取温度的最大值、最小值、平均值，天
气状况（分为晴朗、多云、炎热、降雨、大雾、寒冷这
冷负荷进行分解，去掉干扰信息；其次，结合 RIME
的软霜搜索策略、硬霜穿刺机制和正向贪婪选择机 6 类）空气的干湿度，工作日以及是否为双休日、节
制，分别学习不同季节下负荷数据的分量特征；最 假日等作为模型输入特征量，并将个别缺失数据
后，通过对 BiGRU 模型的参数寻优，并将特征分量 和异常数据采用线性插值填补和归一化修正，并
输入网络模型，得到加权时间序列的预测值。 按照 7∶2∶1 用于模型训练、验证以及测试。
2.2 特征量提取和超参数优化
2 试验设置
针对训练集，采用 ICEEMDAN 对原始负荷

2.1 试验数据集 数 据 进 行 分 解 ，经 过 反 复 试 验 ，最 终 选 定
本文选取我国某地区电网负荷数据集作为研 ICEEMDAN 分解的噪声标准差为 0.5，对信号的
究 对 象 ，数 据 集 时 间 跨 度 为 2018 年 3 月 1 日 — 平均处理次数为 500 次，最大迭代次数为 2 000 次。
2020 年 3 月 1 日，共 24 个月。数据以 15 min 为采 在对四个季节分别进行历史负荷时间序列分解
样间隔，包括负荷、日期类型、气象因素等数据，共 后，分别得到了不同频段的 9 个 IMF 和 R es，然后