Page 65 - 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 459

BiGRU 多元混合神经网络模型的短期多元负荷
预测方法，并通过算例分析，得到了如下结论。
（1）通过对比不同季节下不同模型的日负荷
曲线，可证明 I-R-BiG 模型在预测不同季节的电
力负荷能凸显出季节特性，证明本算法在考虑季
节差异时的正确性。

（2）通过模型在不同季节的各项评估指标数
据 ，本 文 所 提 出 的 I-R-BiG 算 法 较 BiGRU，I-
2
BiG，-R-BiL 的 E MAP 和 R 的精度均值的提升范
I
围分别在 4.02%～15.4% 和 9.28%～41.21%，由
此可见本算法的优势。

参考文献：
［1］ 周思源，袁 莉 . 气温变化对电力负荷的影响及预测方法
.
探究［J］ 电气技术与经济，2023（10）：103-104.
［2］ 陈 雷，刘林虎，闫川川，等 . 基于孤立森林和 GRU-CNN-
Attention 的 超 短 期 电 力 负 荷 预 测［J］ 电 子 设 计 工 程 ，
.
2023，31（20）：140-144.
［3］ 刘文杰，刘 禾，王英男，等 . 基于完整自适应噪声集成经
验模态分解的 LSTM-Attention 网络短期电力负荷预测方
.
法［J］ 电力建设，2022，43（2）：98-108.
［4］ 王 祥 . 基于 FCN 和 LSTM 深度学习模型的电力终端负
荷预测方法［J］ 电子设计工程，2023，31（11）：93-96.
.
［5］ 李建芳 . 基于 LSTM 与 seq2seq 模型的短期电力负荷预测
方法［J］ 电子设计工程，2023，31（24）：150-153.
.
［6］ 李飞宏，肖迎群 . 基于 STL-LSTM-TCN 模型的短期负荷
.
预测方法［J］ 电子设计工程，2023，31（7）：47-51.
［7］ 李 丹，孙光帆，缪书唯，等 . 基于多维时序信息融合的短
期电力负荷预测方法［J］ 中国电机工程学报，2023，43（增
.
刊 1）：94-106.
［8］ 俞 斌 ，孟 伟 ，俞天杨 ，等 . 基 于 ICEEMDAN-CNN-K-
图 3 不同模型对不同季节的短期负荷预测结果
shape 的智慧园区短期负荷预测研究［J］ 国外电子测量技
.
41.21%，20.04%，9.28%。由此可得，本文所提出 术，2023，42（5）：103-112.
的 I-R-BiG 方法在考虑季节性进行负荷预测时具 ［9］ 黄 宇 ，顾智勇 . 基 于 时 间 模 式 注 意 力 机 制 的 CNN-
.
有优越性。 BiGRU 短 期 负 荷 预 测［J］ 华 北 电 力 大 学 学 报 ，2023，50
（6）：11-20.
4 结语 ［10］ 申洪涛，李 飞， 史 轮，等 . 基于气象数据降维与混合深度
.
4
1
学习的短期电力负荷预测［J］电力建设，024，5（1）：3-21.
2
本 文 提 出 了 基 于 ICEEMDAN-RIME- （下转第 473 页）
表 1 四类模型的不同季节预测效果
春季 夏季 秋季 冬季
模型 E MAP / E RMS / E MAP / E RMS / E RMS / E RMS /
R 2 R 2 E MAP /% R 2 E MAP /% R 2
% MW % MW MW MW
BiGRU 16.7 732.4 0.654 17.9 697.8 0.677 17.1 754.8 0.673 16.6 714.6 0.681
I-BiG 11.5 574.6 0.788 12.4 564.2 0.792 12.5 587.4 0.785 11.3 553.6 0.793
I-R-BiL 5.6 342.4 0.867 5.3 326.8 0.874 6.5 364.8 0.859 5.4 314.7 0.869
I-R-BiG 1.9 173.4 0.938 1.5 154.6 0.956 1.7 187.5 0.944 1.6 118.7 0.953