Page 64 - 电力与能源2024年第四期
P. 64

458               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

                通过设置阈值为 0.1 来过滤掉噪声,再将剩余的有                        称 I-R-BiL)这 3 种典型的短时间序列负荷预测模
                用信号 IMF 做降噪处理后重新构建,分别得到了                         型进行对比分析,模型计算结果如图 3 所示。图 3
                5 个具备经验模态的不同频段 IMF,原始数据的                         中所展示的内容为随机选取了每个季度的中间月
                非平稳性得以降低,所有分量均未出现明显的模                            份的一天,以表明不同时段下各模型负荷预测值
                态混叠问题。                                           与实际电力负荷值的拟合情况。
                    利用 RIME,将四季的负荷数据分别作为输                            由图 3 可知,从时段来看,不同季节的 22:00

                入,对 BiGRU 的超参数进行寻优。设置学习率 l r                     至次日的 4:00,所有模型的日负荷预测曲线值都
                              —5
                寻优范围为[10 ,0.2],最大迭代次数 N 的寻优范                     与实际值基本一致,原因在于这一时段人员流动
                围为[100,1 500],对窗口长度={10,16,24,36,                性小,受外界的干扰较小,电力负荷变化也较小。
                46,60}和批量大小={16,32,64,128,256}执行网                从总体负荷值来看,冬夏两季的电力负荷量最大,
                格搜索。以春季负荷特征分量为例,算法在设定                            春秋两季较小,原因在于该地区季节性差异较大,
                学习率 l r 为 10 、迭代次数为 1 000、窗口长度为                  冬夏两季由于气温偏极端,为维持舒适的温度,需
                             —2
                36、批量大小为 64 时性能最高。                               要消耗大量的电力。从曲线的整体变化趋势来

                2.3 评价指标                                         看,在 22:00 至次日的 6:00,日负荷曲线处于谷
                    为了准确评价本文所提模型与选取的 3 个典
                                                                 底;从 8:00 到 14:00,日负荷曲线持续向上走高;
                型模型的预测精度,选取平均绝对百分误差 E MAP、
                                                                 受冬季气温低的影响,冬季日负荷曲线在 14:00
                决定系数 R 、均方根误差 E RMS 这 3 个指标对预测
                          2
                                                                 至 24:00 持续保持在较高的水平,而春秋季节并
                结果进行评估。各指标计算公式如下:
                                                                 未体现这一特性;夏季的日负荷曲线最高值在一
                                        n | | |  | | |
                                  100%    |  x i - x i  |        天中最热时刻,这些分类学习了不同季节负荷特
                          E MAP =      ∑| | |    | | |  (4)
                                    n  i - 1|  x i  |            征后的模型都体现出了这些生活规律,证明了本
                                      n
                                     ∑ ( x i - x i ) 2           文在考虑季节性差异进行预测的正确性。具体到
                             2
                            R = 1 -  i = 1              (5)      不同的模型中,对照组日负荷预测曲线与实际值
                                      n      -
                                     ∑ ( x i - x i ) 2           产生了较大偏移,而 I-R-BiG 模型预测的负荷整
                                     i = 1
                                      n
                                    1 ∑(       )  2              体趋势与实际电力负荷值的变化趋势十分接近。
                           E RMS =       x i - x i      (6)
                                    n                                依据本文构建的评价指标,计算得到不同模
                                     i - 1
                式中 n——测试集数据的个数;x i——第 i 个预                       型对不同季节负荷的预测精度,如表 1 所示。
                测 样 本 的 预 测 值 ;x i—— 第 i 个 测 试 样 本 的 真 实             从 表 1 可 知 ,由 于 ICEEMDAN 在 处 理 频 率
                   -
                值; x i——n 个数据的平均值;E MAP——预测值与                    混叠和伪模态时具有良好的能力,故 I-BiG 模型 4
                真实值之间误差的相对值,为百分比值,其值为                            个 季 节 预 测 的 E RMS 值 均 在 BiGRU 的 77.46%~
                                                                                     2
                0% 时,为完美模型; E RMS——预测值与真实值之                      80.85%,而 E MAP 和 R 的 精 度 均 值 分 别 提 升
                间 误 差 的 绝 对 值 ,其 单 位 为 MW,取 值 范 围 为              5.15% 和 0.118。BiLSTM 与 BiGRU 同属于双向
               [0,+ ∞],其 值 越 小 ,表 示 与 实 际 值 越 吻 合 ;R       2     RNN 的一种,-R-BiG 的 RMSE 指标在四个季节
                                                                             I
                                                                                                        2
                ——决定系数,其取值范围为[0,1],越接近 1,说                       的平均指标是 I-R-BiL 的 0.477 倍, E MAP 和 R 的精
                明模型的预测结果与实际值越吻合。                                 度均值分别提升 4.025% 和 0.081。由此可见,在
                                                                 考虑季节性差异的负荷预测中 BiGRU 的性能胜
                3 算例分析
                                                                 于 BiLSTM。I-R-BiG 的 RMSE 指标四季均值在
                    为进一步验证本文所提模型的有效性及准                           I-BiG 的  21.44%~31.92%。 本 文 所 提 I-R-BiG
                                                                                                       2
                                                                                     I
                确 性 ,选 取 BiGRU   [16] 、CEEMDAN-BiGRU(简           算法较 BiGRU,-BiG,-R-BiL 的 E MAP 和 R 的精
                                     I
                                                                               I
                         [9]
                称 I-BiG) 和 ICEEMDAN-RIME-BiLSTM(简                度 均 值 分 别 提 升 了 15.4%,10.25%,4.02% 和
   59   60   61   62   63   64   65   66   67   68   69