当前位置：文档之家 › 基于CBRFNN的中压配电网短期节点负荷预测

基于CBRFNN的中压配电网短期节点负荷预测

  • 格式：pdf
  • 大小：779.61 KB
  • 文档页数：12

http://www.paper.edu.cn 基于CBRFNN的中压配电网短期节点负荷预测1余贻鑫，吴建中 天津大学自动化学院电力系（300072） E-mail: yixinyu@tju.edu.cn，wujz@tju.edu.cn

摘 要：中压配电网短期节点负荷预测（DSBLF）属于信息不完备、不精确类问题，这类问题很难用传统方法解决。本文根据认知科学理论，在并行分布处理（PDP）模型基础上，建立基于事例推理的五层前馈式模糊神经网络（CBRFNN），并提出了快速、实用的学习算法。CBRFNN结构灵活，可进行增量式的快速学习，可以有效抵御坏数据的影响，同时具备很好的泛化能力，从根本上提供了解决这一类问题的有效途径。

关键词：配电网络；负荷预测；认知科学；基于事例的推理（CBR）；模糊神经网络

1. 引 言 中压配电网的短期节点负荷预测（也称为短期母线负荷预测，简记为DSBLF）可以与负荷估计技术[1]和状态估计技术相结合，为各种配电应用功能提供必要的信息，对提高配电

系统运行的安全性和经济性有重要意义，属于基础性的研究工作。尤其在电力市场化进程中，DSBLF有助于分析用户的用电情况，为配电市场的开放奠定基础。 DSBLF问题具有四个显著特点：（1）历史数据少；（2）数据不精确，且常常含有坏数据（误差很大的离群值）；（3）负荷变化的趋势性不明显；（4）负荷变化的模式易变。前两个特点由数据的来源决定。因为配电网实时量测非常缺乏，所以DSBLF的历史数据一般是在实时量测量、负荷曲线、用户信息等多种信息的基础上，使用负荷估计和状态估计技术获得的；后两个特点是配电网负荷的固有特点，因为与输电网节点相比，每个中压配电网节点供电的用户较少，所以节点负荷易受单个用户用电模式的影响。 上述特点决定了DSBLF属于信息不完备、不精确问题，很难解决：不精确的历史数据和其中相对较多的坏数据会对绝大部分已有方法产生破坏性影响[2-4]；统计学所研究的主要

是渐近理论，即当样本趋于无穷多时的统计性质，在小样本情况下性能不佳；经典的IF－THEN推理模式在负荷变化规律尚未完全掌握的情况下很难发挥作用；经典神经网络法所需的学习样本不足，且其具有知识表示的不可理解性、非增量式的缺点，加之训练时间长、不灵活，因此难于在线应用。目前文献所提的短期节点负荷预测方法主要针对拥有大量可靠历史数据的输电网。文[4]提出了解决DSBLF问题的一个很好的方法，即使用负荷层次模型进

1本课题获教育部博士学科点基金项目（20010056022）和天津大学优秀博士论文基金项目资助 http://www.paper.edu.cn 行母线负荷预报，但该方法在量测不足的条件下需要大量的人工维护工作，且所得结果也难以满足实时应用的需求。所以，亟需一种新的方法来解决该类问题。 本文根据认知科学理论[5]，提出了基于事例推理（CBR）的模糊神经网络（CBRFNN），

针对DSBLF的特点，从根本上提供了解决该类问题的有效途径。

2. CBR简介[6-7]

CBR是指借用旧的事例或经验来解决新的问题。它是伴随认知心理学的研究而发展起来的一种新的推理方法，属于类比推理，是机器学习的一个分支。认知科学研究发现：人类在问题求解中强烈依赖过去处理类似问题的经验和获取的知识，能够针对新旧情况的不同做出相应的调整，从而得出新问题的解，所以能以有限的、不确定的知识解决困难问题。CBR的基本思想便源于此，其使用的主要知识是事例。对于一个尚未被完全了解的研究领域，事例反映的是确实发生过的事情，因此通常比规则更准确，而且事例的获取要比规则的获取容易得多，因而使用起来更加简捷，且极大地改善了推理的速度和质量。 自80年代Schank教授开创CBR研究至今，其理论不断成熟。目前的研究多是将CBR作为构建高性能专家系统的方法在机械故障诊断、医疗诊断、自然语言理解等很多领域应用。其主要的步骤分为：（1）从事例库中检索出与新事例最相似的事例（或事例集）；（2）将所得事例（或事例集）中的知识复用到新问题上；（3）修正所得答案；（4）保存得到的经验，以备将来使用。CBR是一种思想方法而非一种具体技术[7]，因此可以根据实际需要使用不同

的技术来实现CBR。目前多使用面向对象技术表示事例，将事例存储于知识库或数据库中，使用产生式规则实现CBR的推理过程。神经网络技术在CBR的实现过程中也有少量的使用，但主要是为了实现自适应修改、相似度判断等CBR的局部功能，完全基于联接主义构建的CBR系统还未见报道。

3. CBRFNN的基本原理 本文使用CBR的基本思想来指导解决DSBLF问题。该研究基于如下假设：中压配电网节点的负荷变化存在一定规律，某些负荷变化模式会反复出现。 由于人工神经网络（ANN）、模糊系统（FS）和二者的混合系统在大规模并行处理、强容错性、强自适应能力方面具有其它方法无法比拟的优势[8]，因而本文突破了传统的CBR实

现方法，使用基于联接主义的模糊神经网络来构造CBR预测系统（CBRFNN）。 CBRFNN使用模糊神经元来存储事例（本文称之为事例神经元）。事例由数值特征和索引特征两部分信息来表征。数值特征是指可以被量化的特征，每个数值特征都将被转化为模糊量，然后以神经元联接权的形式存储，它是事例间进行相似性度量的主要依据；索引特征用于建立索引，以便对事例分类，加快检索速度。索引特征直接存储于相关事例神经元中。http://www.paper.edu.cn 本文中事例可表示为三元组的形式：。 负荷预测问题可看作一个基于经验数据进行函数估计的一般问题。在经验数据数目少、不精确的情况下，不可能较好地逼近待求函数，这时CBRFNN实现的是局部风险最小化，即使得待求函数在所关心的点上实现一个较好的局部逼近。随着经验的增长，再逐步逼近待求函数。 依上文定义，设网络中已存有事例Ci = ，其中pi为事例Ci的索引特征向量，

di为数值特征向量，ti为解向量。设di由NC个分量组成，表示该事例有NC个数值特征。对于

每一个数值特征，使用Nm个隶属度函数将其转化为Nm维特征空间中的一个点。显然，事例Ci的数值特征向量di可由Nm•NC维事例空间中的点ci来表示。同样的，使用隶属度函数将ti转

化为解空间中的一个点si。图1给出了空间点之间的映射关系，CBRFNN就是通过这种映射来解决DSBLF问题的。

事例空间数值特征的特征空间解空间

rCr

S

1

2

Ncc

is

i

图1 CBRFNN原理的几何解释 对于K维空间E中的点a，可定义其邻域为以a为中心，以r为半径的超球： (,){}vrr= −≤Eaxxa （1）

其中，v(a, r) 表示点a的邻域，该邻域的半径为r；x表示该邻域内的点；||x-a||E是空间E中的相似性度量，可以定义为一种距离函数。 对于一个新事例Cj = >，先将其转化为数值特征空间、事例空间和解空间的

点。令cj和sj分别表示事例Cj在事例空间和解空间中对应的点，rC和rS分别表示事例空间和解空间中定义的邻域半径，该半径值可以人为设定。则： （1）若存在某已有事例Ci，满足cj∈v(ci, rC)且sj∈v(si, rS)，那么在事例空间使用基于无

监督学习的聚类操作[9]来调整ci的位置，同时在解空间中使用基于有监督学习的梯度下降法[8]来调节si的位置，这样做的目的是为了在所关心的点上实现一个较好的局部逼近；

（2）若不满足条件（1），那么将Cj作为新事例保存在网络中。 这样，CBRFNN便通过使用一个个小邻域不断覆盖事例空间，或是通过对邻域中心的http://www.paper.edu.cn 不断调整，来实现局部风险最小化的函数逼近。解决实际问题过程中，针对当前的新事例，从已存的事例中选出与其最相近的事例，根据该事例的解来推理得出新事例的解。

4 CBRFNN的实现 本节将介绍如何基于联接主义来构建CBRFNN。CBRFNN的结构与计算过程建立在并行分布处理（PDP）模型的基础之上。PDP模型源于认知科学，主要用来探索认知过程的微结构，即基于联接主义，在网络层次上模拟人的认知活动。1986年，Rumelhart提出了PDP模型的八个方面[8]：（1）一组处理单元；（2）单元间的连接模式；（3）单元的激活规则；（4）

单元的激活值；（5）传递激活模式的传递规则；（6）单元的输出值；（7）修改连接模式的学习规则；（8）输入模式，即系统运行的环境。CBRFNN的建立将围绕上述PDP模型的八个方面：下文4.1节与（1）和（2）密切相关；4.2节在讨论CBRFNN的学习算法过程中将给出（3）至（8）的具体实现。

4.1 CBRFNN的结构 本文建立了五层前馈网络来实现CBRFNN，如图2所示。与传统模糊神经网络不同，本文的CBRFNN结构非常简单，且所有节点都是在学习过程中动态建立的。

确定性输入层输入模糊化运算层事例层清晰化运算层输出隶属度函数层

图2 CBRFNN结构图

第一层的神经元接收确定性的数值特征输入信息，神经元数量由事例的数值特征的个数决定； 第二层的神经元将每个确定性的数值特征输入变量转化为模糊量，这种计算是通过空间排列的一组神经元完成的（即把该数值特征转化为特征空间中的一个点）。例如，可以用两个神经元表示“偏大”和“偏小”的概念，也可以用三个神经元表示“小”，“中”和“大”的概念，同样，可用更多的神经元表示更复杂的概念。这些神经元可以根据需要被赋予不同的隶属度函数，例如三角模糊隶属度函数、梯形模糊隶属度函数、高斯模糊隶属度函数[9]等

等，而且模糊化运算神经元所代表的隶属度函数也是可以动态调节的。测试表明，选择不同的隶属度函数对CBRFNN的性能并无太大影响。下面以三角模糊隶属度函数为例说明该层神

合集下载

基于WNR-CLSSA-LSTM的短期电力负荷预测

基于WNR-CLSSA-LSTM的短期电力负荷预测

第１３卷㊀第７期Ｖｏｌ．１３Ｎｏ．７㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年７月㊀Ｊｕｌ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０７－００７６－１０中图分类号：ＴＰ１８３；ＴＭ７４３文献标志码：Ｂ基于ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭ的短期电力负荷预测纪严杰，樊重俊（上海理工大学管理学院，上海２０００９３）摘㊀要：准确的短期电力负荷预测（ＳＴＰＬＦ）在智能电网的日常运行中起着重要作用㊂为了更有效地预测短期负荷，本文提出了一种基于小波去噪㊁改进樽海鞘群优化算法（ＳＳＡ）和长短期记忆网络（ＬＳＴＭ）的预测方法㊂首先，通过小波去噪降噪；其次，种群的初始位置采用混沌初始化Ｃｕｂｉｃ策略，并将莱维飞行策略引入樽海鞘群领导者和跟随者的位置更新中，接着将跟随者的更新公式引入每个维度的最优适应度位置维度，加快收敛速度；然后，利用改进的ＳＳＡ算法优化ＬＳＴＭ模型的参数，得到ＳＴＰＬＦ结果㊂通过实验比较改进的ＣＬＳＳＡ－ＬＳＴＭ与ＧＡ－ＬＳＴＭ㊁ＰＳＯ－ＬＳＴＭ㊁ＳＳＡ－ＬＳＴＭ和单一的ＬＳＴＭ，结果表明，改进的ＣＬＳＳＡ－ＬＳＴＭ预测效果优于其他算法优化的ＬＳＴＭ㊂同时，将ＣＬＳＳＡ－ＬＳＴＭ模型与不同的预测模型ＰＳＯ－ＳＶＲ㊁ＧＡ－ＢＰ对比，均有不错的表现㊂因此本文提出的预测模型是一种有效的ＳＴＰＬＦ工具㊂关键词：小波降噪；混沌映射；莱维飞行策略；樽海鞘群优化算法；长短期记忆网络；电力负荷Ｓｈｏｒｔ－ｔｅｒｍｐｏｗｅｒｌｏａｄｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭＪＩＹａｎｊｉｅ，ＦＡＮＣｈｏｎｇｊｕｎ（ＢｕｓｉｎｅｓｓＳｃｈｏｏｌ，ＵｎｉｖｅｒｓｉｔｙｏｆＳｈａｎｇｈａｉｆｏｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２０００９３，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＡｃｃｕｒａｔｅｓｈｏｒｔ－ｔｅｒｍｐｏｗｅｒｌｏａｄｐｒｅｄｉｃｔｉｏｎ（ＳＴＰＬＦ）ｐｌａｙｓａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｔｈｅｄａｉｌｙｏｐｅｒａｔｉｏｎｏｆｓｍａｒｔｇｒｉｄｓ．Ｉｎｏｒｄｅｒｔｏｍｏｒｅｅｆｆｅｃｔｉｖｅｌｙｐｒｅｄｉｃｔｓｈｏｒｔ－ｔｅｒｍｌｏａｄ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｈｙｂｒｉｄｄｅｅｐｌｅａｒｎｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅｗａｖｅｌｅｔｎｏｉｓｅｒｅｄｕｃｔｉｏｎ，ｉｍｐｒｏｖｅｍｅｎｔｏｆｔｈｅＳａｌｐＳｗａｒｍＡｌｇｏｒｉｔｈｍ（ＳＳＡ）ａｎｄｌｏｎｇ－ｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋ（ＬＳＴＭ）．Ｆｉｒｓｔｏｆａｌｌ，ｔｈｅｏｒｉｇｉｎａｌｄａｔａｒｅｍｏｖｅｓｓｏｍｅｎｏｉｓｅｔｈｒｏｕｇｈｔｈｅｍｅｔｈｏｄｏｆｗａｖｅｌｅｔｎｏｉｓｅｒｅｄｕｃｔｉｏｎ；ｓｅｃｏｎｄｌｙ，ｔｈｅｉｎｉｔｉａｌｐｏｓｉｔｉｏｎｏｆｔｈｅｐｏｐｕｌａｔｉｏｎｉｓｕｓｅｄｔｏｉｎｉｔｉａｌｉｚｅｔｈｅｃｈａｏｓＣｕｂｉｃｓｔｒａｔｅｇｙ，ａｔｔｈｅｓａｍｅｔｉｍｅａｄｄｔｈｅＬｅｖｙｆｌｉｇｈｔｓｔｒａｔｅｇｙｔｏｐｏｓｉｔｉｏｎｕｐｄａｔｅｏｆｔｈｅｌｅａｄｅｒａｎｄｔｈｅｆｏｌｌｏｗｅｒ，ａｎｄｔｈｅｆｏｌｌｏｗｅｒ＇ｓｕｐｄａｔｅｆｏｒｍｕｌａｉｓｉｎｔｒｏｄｕｃｅｄｔｏｔｈｅｏｐｔｉｍａｌａｄａｐｔａｂｉｌｉｔｙｐｏｓｉｔｉｏｎｄｉｍｅｎｓｉｏｎｏｆｅａｃｈｄｉｍｅｎｓｉｏｎ，ｓｏｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｉｓａｃｃｅｌｅｒａｔｅｄｔｏｃｏｎｖｅｒｇｅｎｃｅ；ｔｈｅｎｔｈｅｉｍｐｒｏｖｅｄＳＳＡａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚｅｓｔｈｅｐａｒａｍｅｔｅｒｓｏｆｔｈｅＬＳＴＭｍｏｄｅｌ．ＴｈｅｏｐｔｉｍｉｚｅｄＬＳＴＭｉｓａｐｐｌｉｅｄｔｏｓｈｏｒｔ－ｔｅｒｍｐｏｗｅｒｌｏａｄｐｒｅｄｉｃｔｉｏｎｓｔｏｏｂｔａｉｎｔｈｅｒｅａｌＳＴＰＬＦｒｅｓｕｌｔｓ．Ｔｈｒｏｕｇｈｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｃｏｍｐａｒｉｓｏｎ，ｔｈｅｉｍｐｒｏｖｅｄＣＬＳＳＡ－ＬＳＴＭｉｓｃｏｍｐａｒｅｄｗｉｔｈｔｈｅＧＡ－ＬＳＴＭ，ＰＳＯ－ＬＳＴＭ，ＳＳＡ－ＬＳＴＭａｎｄａｓｉｎｇｌｅＬＳＴＭ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｉｍｐｒｏｖｅｄＣＬＳＳＡ－ＬＳＴＭｐｒｅｄｉｃｔｉｖｅｅｆｆｅｃｔｉｓｓｕｐｅｒｉｏｒｔｏｏｔｈｅｒｏｐｔｉｍｉｚｅｄＬＳＴＭｓ．Ｍｅａｎｗｈｉｌｅ，ｃｏｍｐａｒｅｄｗｉｔｈｄｉｆｆｅｒｅｎｔｐｒｅｄｉｃｔｅｄｍｏｄｅｌｓＰＳＯ－ＳＶＲａｎｄＧＡ－ＢＰ，ＣＬＳＳＡ－ＬＳＴＭｍｏｄｅｌｈａｓａｇｏｏｄｐｅｒｆｏｒｍａｎｃｅ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅｈｙｂｒｉｄｄｅｐｔｈｌｅａｒｎｉｎｇｍｅｔｈｏｄｐｒｏｐｏｓｅｄｉｎｔｈｉｓａｒｔｉｃｌｅｉｓａｎｅｆｆｅｃｔｉｖｅＳＴＰＬＦｔｏｏｌ．ʌＫｅｙｗｏｒｄｓɔｗａｖｅｌｅｔｎｏｉｓｅｒｅｄｕｃｔｉｏｎ；ｃｈａｏｓｍａｐｐｉｎｇ；Ｌｅｖｙｆｌｉｇｈｔｓｔｒａｔｅｇｙ；ｓａｌｐｓｗａｒｍａｌｇｏｒｉｔｈｍ；ＬＳＴＭ；ｐｏｗｅｒｌｏａｄ基金项目：２０２０教育部哲学社会科学重大课题攻关项目，２０２０－２０２３（２０ＪＺＤ０１０）㊂作者简介：纪严杰（１９９６－），男，硕士研究生，主要研究方向：人工智能理论及应用；樊重俊（１９６３－），男，博士，教授，主要研究方向：人工智能㊁电子商务㊂通讯作者：樊重俊㊀㊀Ｅｍａｉｌ：ｆａｎｃｈｏｎｇｊｕｎ２０２２＠１６３．ｃｏｍ收稿日期：２０２２－１２－２１０㊀引㊀言从供给侧角度来看，能够提前知道未来一段时间内的电力供给情况，能够帮助企业制定更合理的生产计划，减少不必要的损失㊂目前，短期电力负荷预测模型大体上可以分为３类㊂其中，统计分析模型，如多元回归和自回归移动平均模型（ＡＲＩＭＡ）等㊂Ａｍｂｅｒ等学者［１］利用多元回归（ＭＲ）模型预测了伦敦某大学的日用电量㊂李晨熙［２］采用基于ＡＲＩＭＡ模型对短期电力负荷数据进行预测，但是ＡＲＩＭＡ模型一般只能处理线性关系，对于非线性关系来说则运行效果欠佳㊂Ａｍａｒａｌ等学者［３］使用平稳过渡周期自回归（ＳＴＰＡＲ）模型来对短期负荷进行预测，其本质上涉及到与非周期自回归模型相同的过程㊂Ｍｂａｍａｌｕ等学者（１９９３）［４］提出了在负荷预测中考虑季节性因素的乘法自回归模型㊂Copyright ©博看网. All Rights Reserved.浅机器学习，如灰色预测方法㊁支持向量机回归（ＳＶＲ）㊁随机森林㊁集成学习等㊂Ｚｈｏｕ等学者［５］将传统灰色ＧＭ（１，１）模型与三角残差修正技术相结合，提出了一种电力需求预测的三角灰色预测方法㊂该方法提高了ＧＭ（１，１）的预测精度，获得了合理的灰色预测区间㊂王鑫［６］将支持向量机多个核函数进行加权处理，得到一个新的核函数，使其能够具有不同核函数的特性，并将其用于短期电力负荷预测中㊂游文霞等学者［７］提出了基于ＡｄａＢｏｏｓｔ的集成学习算法，该模型考虑了时间㊁温度和历史负荷等特征并选择ＣＡＲＴ决策树作为模型的基学习器；然后，通过ＡｄａＢｏｏｓｔ算法训练各ＣＡＲＴ决策树基学习器并计算各个基学习器的权重㊂深度学习模型，如反向传播神经网络（ＢＰＮＮ）㊁递归神经网络（ＲＮＮ）㊁长短期记忆（ＬＳＴＭ）网络等㊂易丹等学者［８］基于ＢＰ神经网络搭建了一个３层的神经网络模型，来进行电力负荷的预测，由于ＢＰ算法中的初始权值和阈值等是手动输入的，选取不当可能会导致预测精度差和出现不收敛的情况㊂进一步地，Ｌｉ等学者［９］采用果蝇优化算法优化ＢＰ神经网络的权值和阈值进行预测，来提高预测的精度㊂Ｚｈｅｎｇ等学者［１０］提出了一种基于测量的递归神经网络（ＲＮＮ）方法来构建主动配电系统的精确当量，然而ＲＮＮ在处理长时间序列时候，难免会出现梯度爆炸并消失㊂ＬＳＴＭ可以通过门控单元来避免梯度爆炸，Ｍｕｚａｆｆａｒ等学者［１１］将ＬＳＴＭ用于短期电力负荷预测，但ＬＳＴＭ中隐藏层神经元个数㊁学习率等需要通过手动输入，这在一定程度上会影响网络的预测精度㊂基于此，本文提出了一种改进的樽海鞘群算法优化ＬＳＴＭ参数，使其能够更好地进行电力负荷预测㊂１㊀理论模型１．１㊀小波降噪小波分析能够分析信号在频域上的差异，这是傅里叶变换迄今为止仍无法解决的问题，但是小波分析对于非平稳信号不是很有效㊂小波分析的重要应用之一就是信号降噪［１２］，其中的小波变换可以利用时域和频域的信号与噪声差异来区分信息和噪声㊂小波变换既保留了Ｇａｂｏｒ变换的局部化思想，又具有窗口形状可滑动的特点㊂因此，小波分析可以更好地处理时变非平稳信号㊂小波降噪（ＷａｖｅｌｅｔＤｏｍａｉｎＤｅｎｏｉｓｉｎｇ）流程具体如下：（１）信号的小波分解㊂选择合适的正交小波基并确定分解层数，随后进行小波变换㊂（２）阈值选择㊂对分解后所得到的高频小波系数进行阈值处理，同时选择合适的阈值，选择满足信号规律的小波系数，同时删除不符合要求的小波系数㊂（３）小波重建㊂根据小波分解后的最后一层的低频系数和经过阈值处理后的每一层高频系数来对信号进行小波重构㊂（４）评价效果㊂一般选择信噪比（ＳＮＲ）和均方根误差（ＲＭＳＥ），尽量选择ＳＮＲ大㊁且ＲＭＳＥ小的小波变换函数㊂１．２㊀樽海鞘群优化算法樽海鞘群算法（ＳａｌｐＳｗａｒｍＡｌｇｏｒｉｔｈｍ，ＳＳＡ）是Ｍｉｒｊａｌｉｌｉ等学者［１３］于２０１７年受海洋中微生物 樽海鞘聚集成链的生活习性而提出的算法㊂算法将群体分为领导者和跟随者，领导者以全局最优为中心进行搜索，为算法提供了全局搜索能力，保证种群收敛，跟随者跟随自己的前一个个体，为算法提供局部搜索能力，来保证算法的精度㊂樽海鞘算法的模型简单，更新过程清晰，同时寻优也有不错的效果，但是算法后期欠缺跳出局部最优的情况㊂在该算法中，每个樽海鞘个体的位置表示成一个ｄ维的向量，则Ｎ个樽海鞘就形成了樽海鞘链㊂这个链就是一个种群，因此该樽海鞘种群就可以用Ｎˑｄ的矩阵进行描述：Ｘ＝ｘ１１ｘ１２ ｘ１ｄｘ２１ｘ２２ ｘ２ｄｘＮ１ｘＮ２ ｘＮｄéëêêêêêêùûúúúúúú（１）㊀㊀第ｉ个樽海鞘个体的位置表示如下：Ｘｉ＝ｘｉ１ｘｉ２ ｘｉｄ[]（２）㊀㊀在ＳＳＡ中，种群在捕食或者向食物源移动时，领导者的位置更新策略如下：ｘ１ｊ＝Ｆｊ＋ｃ１［（ｕｊ－ｌｊ）ｃ２＋ｌｊ］ｃ３ȡ０．５Ｆｊ－ｃ１［（ｕｊ－ｌｊ）ｃ２＋ｌｊ］ｃ３＜０．５ìîíïïïï（３）㊀㊀其中，ｘ１ｊ为第１个樽海鞘群领导者在第ｊ维空间中位置；Ｆｊ为食物源在第ｊ维空间的位置；ｕｊ和ｌｊ分别为第ｊ维空间的上界和下界；参数ｃ２和ｃ３都为区间［０，１］范围内的随机数，参数ｃ２决定的是领导者移动的长度，参数ｃ３决定的是领导者移动的方向；参数ｃ１是一个重要参数，主要控制着整个樽海鞘群体的探索和开发能力㊂该参数受当前樽海鞘种７７第７期纪严杰，等：基于ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭ的短期电力负荷预测Copyright©博看网. All Rights Reserved.群的迭代次数的影响，其表达式如下：ｃ１＝２ｅ－（４ｔＴｍａｘ）２（４）㊀㊀其中，ｔ为当前樽海鞘种群的迭代次数；Ｔｍａｘ为樽海鞘种群的最大迭代次数㊂追随者的位置更新公式如下：ｘｉｊ（ｔ）＝１２［ｘｉｊ（ｔ－１）＋ｘｉ－１ｊ（ｔ－１）］（５）㊀㊀其中，ｘｉｊ（ｔ）为经过第ｔ次迭代时，第ｉ个樽海鞘追随者在第ｊ维空间的位置㊂算法流程如下：（１）初始化种群㊂根据上界与下界，利用式（１）初始化一个Ｎˑｄ的樽海鞘种群㊂（２）计算初始适应度㊂计算Ｎ个樽海鞘的适应度值㊂（３）选定食物㊂将樽海鞘群根据适应度值的大小排序，放在首位的位置设定为当前食物源的位置㊂（４）选定领导者与追随者㊂选定食物位置后，群体中剩余Ｎ－１个樽海鞘，将排在前一半的樽海鞘视为领导者，后一半为追随者㊂（５）位置更新㊂根据领导者及跟随者的位置公式更新位置㊂（６）计算适应度㊂计算更新后的群体的适应度㊂将更新后的每个樽海鞘个体的适应度值与当前食物的适应度值进行比较，以重新决定食物源的位置㊂（７）重复步骤（４） （６），直至达到一定迭代次数或适应度值达到要求后，输出当前的食物位置作为目标的估计位置㊂１．３　改进的樽海鞘群优化算法１．３．１㊀混沌初始化种群伪随机数生成器是目前大部分群体智能算法生成初始种群的方法，能够覆盖到搜索空间中有希望的区域㊂混沌数生成器是基于混沌技术的随机数生成器，混沌映射［１４］可以用于替代伪随机数生成器，生成［０，１］之间的混沌数㊂利用混沌序列进行种群初始化会影响算法的整个过程，初始种群的全局覆盖能力更强，搜索能力更好，并且能够取得比伪随机数初始化更好的效果㊂本文采用最常见的混沌映射方法，Ｃｕｂｉｃ混沌映射来初始化种群，其数学表达式如下：ｚｋ＋１＝ρｚｋ（１－ｚｋ２）（６）㊀㊀其中，ρ为控制参数，且当ρ＝２．５９５时生成的混沌变量具有更好的遍历性㊂１．３．２㊀Ｌｅｖｙ飞行策略Ｌｅｖｙ飞行［１５］使用的是高频短距离的局部搜索结合低频长距的全局搜索的非高斯随机过程，因此能够增强局部搜索的能力，而低频长距的跳跃式搜索则有利于扩大种群的搜索范围，使算法很容易跳出局部最优的状况㊂Ｌｅｖｙ飞行策略的公式如下：Ｌｅｖｙ（ｓ）＝μ㊃σ㊃ωω１β（７）㊀㊀其中，μ＝０．０１；ω为０到１之间的随机数（ｒａｎｄ）；σ的计算公式如下：σ＝Γ（１＋β）㊃ｓｉｎ（πβ２）Γ（１＋β２）㊃β㊃２１－β２（８）㊀㊀其中，Γ（ｘ）＝（ｘ－１）！，β取１．５㊂１．３．３㊀引入Ｌｅｖｙ飞行策略的樽海鞘群优化算法ＬＳＳＡ将Ｌｅｖｙ飞行策略加入到樽海鞘群优化算法的领导者及跟随者的位置更新策略中，改进后的领导者位置更新公式为：ｘ１ｊ＝Ｆｊ＋ｃ１［（ｕｊ－ｌｊ）Ｌｅｖｙ（ｓ）＋ｌｊ］ｃ３ȡ０．５Ｆｊ－ｃ１［（ｕｊ－ｌｊ）Ｌｅｖｙ（ｓ）＋ｌｊ］ｃ３ɤ０．５ìîíïïïï（９）㊀㊀跟随者的位置更新公式为：ｘｉｊ（ｔ）＝Ｌｅｖｙ（ｓ）２［ｘｉｊ（ｔ－１）＋ｘｉｆ（ｂｅｓｔｊ）（ｔ－１）］（１０）㊀㊀其中，ｘｉｆ（ｂｅｓｔｊ）（ｔ－１）表示第ｔ－１次位置更新过程中的适应度值最好的位置维度ｊ㊂这样能够让追随者更快地向最优食物源的位置靠近，不会只依赖前一个位置进行更新，从而使算法更快地收敛㊂同时，也弥补了原来算法中容易陷入局部最优的不足，避免了这一情况的出现㊂１．３．４㊀ＣＬＳＳＡ算法性能测试为了测试改进后的樽海鞘群优化算法（ＣＬＳＳＡ）㊁本文对比分析了樽海鞘群算法（ＳＳＡ）㊁粒子群算法（ＰＳＯ）㊁萤火虫算法（ＦＡ）㊁ＣＬＳＳＡ的局部与全局搜索能力以及算法的迭代速度，分别选取了３个单峰函数及３个多峰函数㊂算法的种群规模为５０，迭代次数为２００，维度为２０，分别独立运行３０次记录并以适应度值最优为选取标准（无限接近理论值）㊂测试基准函数见表１，不同算法在基准函数中测试结果对比如图１所示㊂８７智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀Copyright©博看网. All Rights Reserved.表１㊀基准函数Ｔａｂ．１㊀Ｂｅｎｃｈｍａｒｋｆｕｎｃｔｉｏｎｓ函数搜索空间理论值ｆ１（ｘ）＝ð２０ｉ＝１ｘｉ２－１００ɤｘｉɤ１０００ｆ２（ｘ）＝ｍａｘ｛ｘｉ，１ɤｘｉɤ２０｝－１００ɤｘｉɤ１０００ｆ３（ｘ）＝ð２０ｉ＝１（ｘｉ＋０．５２）－１００ɤｘｉɤ１０００ｆ４（ｘ）＝４ｘ１２－２．１ｘ１４＋１３ｘ１６＋ｘ１ｘ２－４ｘ２２＋４ｘ２４－５ɤｘｉɤ５－１．０３１６８５ｆ５（ｘ）＝（ｘ２－５．１４π２ｘ１２＋５πｘ１－６）２＋１０（１－１８π）ｃｏｓｘ１＋１０－５ɤｘ１ɤ５，０ɤｘ２ɤ１５０．３９８ｆ６（ｘ）＝［１＋（ｘ１＋ｘ２＋１）２（１９－１４ｘ１＋３ｘ１２－１４ｘ２＋６ｘ１ｘ２＋３ｘ２２）］ˑ［３０＋㊀㊀㊀㊀（２ｘ１－３ｘ２）２ˑ（１８－３２ｘ１＋１２ｘ１２＋４８ｘ２－３６ｘ１ｘ２＋２７ｘ２２）］－２ɤｘｉɤ２３0.80.70.60.50.40.30.20.1204060801001201401601800xf i t n e s s P S OF A S S A C L S S A4.03.53.02.52.01.51.00.5204060801001201401601800xf i t n e s s P S O F A S S A C L S S A4.03.53.02.52.01.51.00.5204060801000xf i t n e s sP S OF A S S A C L S S A0.40.20-0.2-0.4-0.6-0.8-1.0204060801001201401601800xf i t n e s s P S OF A S S A C L S S A1.21.00.80.60.420406080100120140160180xf i t n e s sP S OF A S S A C L S S A1008060402020406080100120140160180xf i t n e s sP S OF A S S A C L S S A（a ）f 1（b ）f 2（c ）f 3（e ）f 5（f ）f 6（d ）f 4图１㊀不同算法在基准函数中测试结果对比Ｆｉｇ．１㊀Ｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓｔｅｓｔｒｅｓｕｌｔｓｃｏｍｐａｒｉｓｏｎｉｎｔｈｅｂｅｎｃｈｍａｒｋｆｕｎｃｔｉｏｎ９７第７期纪严杰，等：基于ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭ的短期电力负荷预测Copyright ©博看网. All Rights Reserved.㊀㊀图１中，（ａ） （ｆ）分别对应了６个基准函数，从图１（ａ） 图１（ｃ）可知，在单峰函数ｆ１（ｘ）和ｆ２（ｘ）中，ＣＬＳＳＡ虽然没有部分算法收敛速度快，但是寻优的精度却比其他算法更好，更能接近适应度函数的理论值㊂其中，无论是迭代速度㊁还是寻优精度，ＣＬＳＳＡ相较于其他算法表现都是很好的，能够很快地跳出局部最优的情况㊂从图１（ｄ） 图１（ｆ）中可知，在多峰函数中，ＣＬＳＳＡ在保证搜索精度的情况下，适应度值都小于其他算法，收敛速度都有很不错的表现㊂综上所述，ＣＬＳＳＡ相对于其他算法来说，ＣＬＳＳＡ不仅能够更好地跳出局部最优解的情况，同时全局搜索的能力也不错，适应度值最小，表明了ＣＬＳＳＡ的稳定性和鲁棒性要明显优于其他算法㊂１．３．５㊀ＬＳＴＭ模型ＬＳＴＭ（ＬｏｎｇＳｈｏｒｔＴｅｒｍＭｅｍｏｒｙ）是具有长短期记忆的神经网络㊂ＬＳＴＭ的提出旨在解决ＲＮＮ在训练过程中存在的长期依赖问题，避免出现梯度消失和梯度爆炸㊂这是因为ＬＳＴＭ引入了门控机制来控制特征的流通和损失㊂ＬＳＴＭ的细胞单元结构如图２所示㊂㊀㊀由图２可看到，ＬＳＴＭ细胞单元结构中各参数的求解方法依次见下式：ｆｔ＝σ（Ｗｆ㊃［ｈｔ－１，ｘｔ］＋ｂｆ）（１１）ｉｔ＝σ（Ｗｉ㊃［ｈｔ－１，ｘｔ］＋ｂｉ）（１２）ｃ ｔ＝ｔａｎｈ（Ｗｃ㊃［ｈｔ－１，ｘｔ］＋ｂｃ）（１３）ｃｔ＝ｆｔ㊃ｃｔ－１＋ｉｔ㊃ｃ ｔ（１４）ｏｔ＝σ（Ｗｏ㊃［ｈｔ－１，ｘｔ］＋ｂｏ）（１５）ｈｔ＝ｏｔ㊃ｔａｎｈ（ｃｔ）（１６）㊀㊀其中，σ为激活函数；Ｗ和ｂ为参数矩阵；ｘｔ表示当前ｔ时刻的输入；ｆｔ表示遗忘门，决定了前一时刻的单元状态ｃｔ－１可以有多少信息能够保留到当前时刻；ｉｔ表示输入门，决定了当前时刻网络的输入ｘｔ保存到单元状态ｃｔ； ｃｔ用于描述当前输入的单元状态，来记忆单元的临时状态；ｃｔ表示当前时刻的单元状态；输出门控制单元状态ｃｔ有多少输出到当前的输出值ｈｔ㊂ＬＳＴＭ共有２个输出，分别是当前状态的输出ｏｔ，以及下一时刻的隐层状态ｈｔ㊂t a n hσσσc t-1h t-1c th tf t i t c t o tx tt a n hh t图２㊀ＬＳＴＭ细胞段元结构Ｆｉｇ．２㊀ＬＳＴＭｃｅｌｌｓｅｇｍｅｎｔｅｌｅｍｅｎｔｓｔｒｕｃｔｕｒｅ１．３．６㊀ＷＤＤ－ＣＬＳＳＡ－ＬＳＴＭ预测模型研究给出的模型流程如图３所示㊂获取电力数据集(时间、温度、以往四周负荷数据、假期等)利用小波变换对数据集中的D e m a n d进行降噪处理数据归一化处理确定模型的输入时间步长s t e p，得到新数据集的维度（n-s t e p,s t e p,j）划分训练集和测试集数据预处理及数据集划分电力负荷预测模型C L S S A_L S T M结束输出预测结果，评估模型性能将最优的参数组合和测试集输入到L S T M模型中输出最优参数组合输入多维时间序列训练集初始化参数，包括种群规模，迭代次数，种群维度，维度上界和下界C u b i c混沌初始化策略，生成樽海鞘种群的初始位置计算个体的适应度函数，并确认樽海鞘种群的领导者和跟随者按照领导者和跟踪者的位置公式更新种群的位置是否满足迭代终止条件开始是否C L S S At=t+1t=1图３㊀ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭ流程图Ｆｉｇ．３㊀ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭｆｌｏｗｃｈａｒｔ０８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀Copyright©博看网. All Rights Reserved.２㊀数据准备及评价指标２．１㊀数据集描述选取了巴拿马电力数据集来进行电力负荷预测，该数据集由２０１５年１月到２０２０年６月每隔１ｈ采集记录的数据构成㊂数据集的列名描述见表２㊂表２㊀数据集描述Ｔａｂ．２㊀Ｄａｔａｓｅｔｄｅｓｃｒｉｐｔｉｏｎ列名描述单位Ｄａｔｅｔｉｍｅ巴拿马时区ＵＴＣ－０５：００对应的日期时间－－－ｗｅｅｋ＿Ｘ－２负荷滞后于预报前第２周ＭＷｈｗｅｅｋ＿Ｘ－３负荷滞后于预报前第３周ＭＷｈｗｅｅｋ＿Ｘ－４负荷滞后于预报前第４周ＭＷｈＭＡ＿Ｘ－４负荷滞后移动平均，从第１至第４周之前的预测ＭＷｈＤａｙＯｆＷｅｅｋ每周的第１天，从星期六开始［１，７］ｗｅｅｋｅｎｄ周末二元指标１＝ｗｅｅｋｅｎｄ，０＝ｗｅｅｋｄａｙｈｏｌｉｄａｙ假期二元指标１＝ｈｏｌｉｄａｙ，０＝ｒｅｇｕｌａｒＨｏｌｉｄａｙ＿ＩＤ独特的识别号码（表示节日的编号）ｉｎｔｅｇｅｒＨｏｕｒＯｆＤａｙ一天中的每时［０，２３］Ｔ２Ｍ＿ｔｏｃ巴拿马城托克门气温２ｍħＤＥＭＡＮＤ全国电力负荷（目标或因变量）ＭＷｈ㊀㊀选取２０１９年前１１个月的数据作为训练集，预测１２月的用电负荷㊂其中，用电负荷Ｄｅｍａｎｄ为研究所需要预测的目标值，其余的为特征向量㊂２．２㊀小波降噪基于上面介绍的小波降噪的流程，小波基采用ｓｙｍ１０㊁ｃｏｉｆ５和ｄｂ８，层数为３，阈值选用启发式阈值和固定阈值来进行软㊁硬阈值函数的对比㊂对比结果见表３㊂㊀㊀由于启发式阈值硬阈值函数的ＳＮＲ和ＲＭＳＥ最优，本文采取ｃｏｉｆ５小波基㊁启发式阈值及硬阈值函数来对数据进行降噪处理㊂表３㊀不同阈值函数及小波基结果对比Ｔａｂ．３㊀Ｄｉｆｆｅｒｅｎｔｔｈｒｅｓｈｏｌｄｆｕｎｃｔｉｏｎｓａｎｄｗａｖｅｌｅｔｂａｓｅｓｒｅｓｕｌｔｓｃｏｍｐａｒｉｓｏｎｓｙｍ１０ＳＮＲＲＭＳＥｃｏｉｆ５ＳＮＲＲＭＳＥｄｂ８ＳＮＲＲＭＳＥ启发 硬阈值６３．７８６４０．８１３８２６４．０９３７０．７８５５３６３．９６０９０．７９７６３启发 软阈值５３．５２４１２．６５２４０５３．４９１４２．６６２４０５１．５４７５３．３３０２０固定 硬阈值３６．４７６７１８．８８０５０３５．２５０６２１．７４２９０３５．５１８５２１．０８２６０固定 软阈值３２．０６９７３１．３５９２０３１．８１５８３２．２８９３０３１．７２６９３２．６２１３０２．３㊀归一化处理归一化处理，将所有数据映射到０到１之间，其公式为：ｘｎｏｒｍａｌｉｚａｔｉｏｎ＝ｘ－ｘｍｉｎｘｍａｘ－ｘｍｉｎ（１７）２．４㊀评价指标本文选取３种评价指标，分别阐释如下㊂（１）平均绝对误差㊂值越接近０，得到的模型越准确㊂可由如下公式计算得到：ＭＡＰＥ＝１ｎðｎｉ＝１ｙｉ－ｙ＾ｉ（１８）㊀㊀２）均方根误差（ＲｏｏｔＭｅａｎＳｑｕａｒｅＥｒｒｏｒ，ＲＭＳＥ）㊂数值越低，表示模型越稳定㊂可由如下公式计算得到：ＲＭＳＥ＝１ｎ（ðｎ１（ｙｉ－ｙ＾ｉ）２）（１９）㊀㊀３）Ｒ２㊂用来衡量回归模型的拟合程度㊂可由如下公式计算得到：Ｒ２＝１－ðｎｉ＝１（ｙｉ－ｙ＾ｉ）２ðｎｉ＝１（ｙｉ－ｙ－ｉ）２（２０）１８第７期纪严杰，等：基于ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭ的短期电力负荷预测Copyright©博看网. All Rights Reserved.３㊀实验分析将所提出的ＣＬＳＳＡ＿ＬＳＴＭ模型与不同算法优化的ＬＳＴＭ㊁ＳＳＡ＿ＬＳＴＭ㊁ＧＡ＿ＬＳＴＭ［１６］㊁ＰＳＯ＿ＬＳＴＭ［１７］以及单一的ＬＳＴＭ做对比，选取ＲＭＳＥ，ＭＡＰＥ以及Ｒ２评价模型的预测性能㊂其中，ＬＳＴＭ的参数设置如下，隐藏层包括２个ＬＳＴＭ层㊁２个Ｄｅｎｓｅ层，最后则为输出层，神经元数量为１，ｄｒｏｕｐｏｕｔ比率为０．１，ｂａｔｃｈｓｉｚｅ为２５６，时间步长为４８，记录２天的数据，单一ＬＳＴＭ模型的学习率为０．０１㊂利用算法寻优迭代次数㊁ＬＳＴＭ层与Ｄｅｎｓｅ层的神经元数量以及学习率四个参数㊂各参数的寻优范围见表４㊂表４㊀参数寻优范围Ｔａｂ．４㊀Ｐａｒａｍｅｔｅｒｓｏｐｔｉｍｉｚａｔｉｏｎｒａｎｇｅ参数范围迭代次数（ｅｐｏｃｈ）（１０，１５０）ＬＳＴＭ层神经元数量（Ｌ１，Ｌ２）（１０，３００）Ｄｅｎｓｅ层神经元数量（Ｌ２）（１０，３００）学习率（ｌｒ）（０．００１，０．１）㊀㊀算法的种群规模都为２０，迭代次数为５０次，ＰＳＯ的惯性因子ｗ为０．５，学习因子ｃ１＝２，ｃ２＝２，ＧＡ的交叉概率为０．８，变异概率为０．１，优化后的预测模型的评价指标见表５㊂表５㊀不同算法优化ＬＳＴＭ的结果Ｔａｂ．５㊀ＴｈｅｒｅｓｕｌｔｓｏｆＬＳＴＭｏｐｔｉｍｉｚｅｄｂｙｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓ模型Ｒ２ＭＡＰＥＲＭＳＥＬＳＴＭ０．８６６３５５．２２４３６７．４２７７ＰＳＯ－ＬＳＴＭ０．９４１９３６．２９３１４４．４２５７ＧＡ－ＬＳＴＭ０．９３３４３８．７１８９４７．５８０７ＳＳＡ－ＬＳＴＭ０．９２８８４０．５６７６４９．２２２５ＣＬＳＳＡ－ＬＳＴＭ０．９６７９２４．４０２０３３．０６６７㊀㊀为了更直观显示预测结果的误差，绘制出了各模型评价指标的垂直直方图㊁水平直方图和雷达图，如图４ 图６所示㊂0.9419P S O -L S T MG A -L S T M 0.9334S S A -L S T M0.92880.9679C L S S A -L S T M拟合度R 方L S T M0.8663图４㊀不同算法优化ＬＳＴＭ的Ｒ２对比Ｆｉｇ．４㊀Ｒ２ｃｏｍｐａｒｉｓｏｎｏｆＬＳＴＭｏｐｔｉｍｉｚｅｄｂｙｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓM A P E6050403020100L S T M P S O -L S T M G A -L S T M S S A -L S T M C L S S A -L S T M图５㊀不同算法优化ＬＳＴＭ的ＭＡＰＥ对比Ｆｉｇ．５㊀ＭＡＰＧｃｏｍｐａｒｉｓｏｎｏｆＬＳＴＭｏｐｔｉｍｉｚｅｄｂｙｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓ80706050403020100L S T MP S O -L S T M G A -L S T M S S A -L S T M C L S S A -L S T MR M S E图６㊀不同算法优化ＬＳＴＭ的ＲＭＳＥ对比Ｆｉｇ．６㊀ＲＭＳＥｃｏｍｐａｒｉｓｏｎｏｆＬＳＴＭｏｐｔｉｍｉｚｅｄｂｙｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓ㊀㊀从图４ 图６的结果可知，ＬＳＴＭ的训练拟合度Ｒ２为０．８６６３，ＭＡＰＥ为５５．２２４３，ＲＭＳＥ为６７．４２７７，训练的精度为对比模型中最差的，其次是ＳＳＡ－ＬＳＴＭ㊁ＧＡ－ＬＳＴＭ和ＰＳＯ－ＬＳＴＭ，这３个模型的拟合度在训练时，拟合度Ｒ２的均值都在０．９３左右，模型预测的效果相差不大；ＣＬＳＳＡ－ＬＳＴＭ模型的结果为最优，其拟合度最高并且训练集上的误差最小㊁为３３．０６６７，拟合度值Ｒ２达到了０．９６７９，是对比模型中表现最好的㊂ＣＬＳＳＡ－ＬＳＴＭ模型的预测效果比单一ＬＳＴＭ模型提高了１２．７１％，比其他３个对比模型高出４．０７％左右，这也说明了相比于其他算法，ＣＬＳＳＡ能有效地选择最佳的参数㊂各模型的预测对比如图７所示㊂㊀㊀截取图７中第５５０ ６５０条数据进行分析，分析结果如图８所示㊂㊀㊀由图８中可以看到，红色线条的ＣＬＳＳＡ－ＬＳＴＭ拟合的曲线与真实值曲线最为接近，特别是在一些端点处，ＣＬＳＳＡ－ＬＳＴＭ模型的拟合值比其他模型更贴近真实值，这样就能为电力负荷预测出最好的结果，同时在某些特定情况下也能满足正常的电力需求，对电力公司运行和管理的供需平衡发挥重要作用㊂接着，分别将ＣＬＳＳＡ－ＬＳＴＭ预测模型和不同的预测模型ＰＳＯ－ＳＶＲ［１８］㊁ＧＡ－ＢＰ［１９］做对比，其中ＳＶＲ的参数采用ｒｂｆ核函数，利用粒子群优化算法ＰＳＯ优化ｇａｍｍａ值以及惩罚项系数Ｃ，ＢＰ采用３２８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀Copyright ©博看网. All Rights Reserved.层结构，输入层节点数为１０，输出层为１，中间隐藏层的节点数根据经验公式计算得到５，利用遗传算法ＧＡ优化初始的权值和阈值㊂同样地，截取第５５０ ６５０条数据进行对比分析，对比结果见表６，不同预测模型在５５０ ６５０条数据对比如图９所示㊂17001600150014001300120011001000100200300400500600700800h o u r sp o w e r l o a dt r u eL S T M G A _L S T M P S O _L S T M S S A _L S T M C L S S A _L S T M图７㊀不同模型的预测对比图Ｆｉｇ．７㊀Ｐｒｅｄｉｃｔｉｏｎｃｏｍｐａｒｉｓｏｎｃｈａｒｔｏｆｄｉｆｆｅｒｅｎｔｍｏｄｅｌｓ1600150014001300120011001000560580600620640h o u r sp o w e r l o a dt r u e L S T M G A _L S T M P S O _L S T M S S A _L S T M C L S S A _L S T M图８㊀不同算法优化ＬＳＴＭ预测结果在５５０ ６５０条数据对比图Ｆｉｇ．８㊀Ｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｃｏｍｐａｒｉｓｏｎｃｈａｒｔｆｒｏｍ５５０ｔｏ６５０ｄａｔａｏｐｔｉｍｉｚｅｄｂｙｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓ表６㊀不同预测模型的结果对比Ｔａｂ．６㊀Ｃｏｍｐａｒｉｓｏｎｏｆｒｅｓｕｌｔｓｏｆｄｉｆｆｅｒｅｎｔｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓ模型Ｒ２ＭＡＰＥＲＭＳＥＰＳＯ－ＳＶＲ０．８８１２５４．４３２３６３．５５７８ＧＡ－ＢＰ０．９２６８４０．９６７６５０．３４３７ＣＬＳＳＡ－ＬＳＴＭ０．９６７９２４．４０２０３３．０６６７㊀㊀从图９中可以看出，ＰＳＯ－ＳＶＲ的拟合效果最差，Ｒ２值为０．８８１２，ＲＭＳＥ为６３．５５７８；其次是ＧＡ－ＢＰ，Ｒ２值为０．９２６８，ＲＭＳＥ为５０．３４３７，ＣＬＳＳＡ－ＬＳＴＭ的预测精度比ＰＳＯ－ＳＶＲ提高了９．８３０８％，比ＧＡ－ＢＰ提高了４．４２９３％，有着不错的预测效果，这也验证了该模型的预测准确性㊂３８第７期纪严杰，等：基于ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭ的短期电力负荷预测Copyright ©博看网. All Rights Reserved.1600150014001300120011001000560580600620640h o u r sp o w e r l o a d t r u eP S O _S V R G A _B P C L S S A _L S T M图９㊀不同预测模型在５５０ ６５０条数据对比图Ｆｉｇ．９㊀Ｃｏｍｐａｒｉｓｏｎｃｈａｒｔｆｒｏｍ５５０ｔｏ６５０ｄａｔａｏｆｄｉｆｆｅｒｅｎｔｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓ４㊀结束语为了更有效地预测短期电力负荷，本文提出了一种基于小波降噪和ＣＬＳＳＡ－ＬＳＴＭ的混合深度学习方法㊂研究过程中，使用小波降噪来为数据进行降噪处理，并利用混沌初始化策略和引入Ｌｅｖｙ飞行策略以及引入新的跟着随者的更新公式改进了标准樽海鞘群算法（ＳＳＡ）㊂随后将其用于ＬＳＴＭ的参数优化，从６而得到具有最佳参数的ＬＳＴＭ负荷预测模型㊂采用６个基准函数来对比ＰＳＯ㊁ＦＡ㊁ＳＳＡ㊁ＣＬＳＳＡ的模型效果，用于验证算法的寻优速度和精度，构建了不同算法优化ＬＳＴＭ㊁ＰＳＯ－ＬＳＴＭ㊁ＧＡ－ＬＳＴＭ㊁ＳＳＡ－ＬＳＴＭ和ＣＬＳＳＡ－ＬＳＴＭ以及与单一ＬＳＴＭ五个比较模型，验证了ＷＮＲ－ＣＬＳＳＡ－ＬＳＴＭ模型的负荷预测效果㊂同时，也对比了不同预测模型ＧＡ－ＢＰ㊁ＰＳＯ－ＳＶＲ的预测效果㊂结果表明：（１）ＣＬＳＳＡ算法对比其他算法有着较好的寻优速度和寻优精度㊂（２）ＣＬＳＳＡ优化的ＬＳＴＭ对比其他算法优化的ＬＳＴＭ拥有更好的拟合度Ｒ２以及最小的ＲＭＳＥ和ＭＡＰＥ㊂（３）ＣＬＳＳＡ－ＬＳＴＭ模型对比不同的预测模型表现出更好的预测效果，该模型具有较强的预测能力，因此能够对电力负荷数据进行有效预测㊂参考文献［１］ＡＭＢＥＲＫＰ，ＡＳＬＡＭＭＷ，ＨＵＳＳＡＩＮＳＫ．ＥｌｅｃｔｒｉｃｉｔｙｃｏｎｓｕｍｐｔｉｏｎｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｓｆｏｒａｄｍｉｎｉｓｔｒａｔｉｏｎｂｕｉｌｄｉｎｇｓｏｆｔｈｅＵＫｈｉｇｈｅｒｅｄｕｃａｔｉｏｎｓｅｃｔｏｒ［Ｊ］．ＥｎｅｒｇｙａｎｄＢｕｉｌｄｉｎｇｓ．２０１５，９０（３）：１２７－１３６．［２］李晨熙．基于ＡＲＩＭＡ模型的短期电力负荷预测［Ｊ］．吉林电力，２０１５，４３（０６）：２２－２４．［３］ＡＭＡＲＡＬＬＦ，ＳＯＵＺＡＲＣ，ＳＴＥＶＥＮＳＯＮＭ．Ａｓｍｏｏｔｈｔｒａｎｓｉｔｉｏｎｐｅｒｉｏｄｉｃａｕｔｏｒｅｇｒｅｓｓｉｖｅ（ＳＴＰＡＲ）ｍｏｄｅｌｆｏｒｓｈｏｒｔ－ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＦｏｒｅｃａｓｔｉｎｇ，２００８，２４（４）：６０３－６１５．［４］ＭＢＡＭＡＬＵＧＡＮ，ＥＩ－ＨＡＷＡＲＹＭＥ．Ｌｏａｄｆｏｒｅｃａｓｔｉｎｇｖｉａｓｕｂｏｐｔｉｍａｌｓｅａｓｏｎａｌａｕｔｏｒｅｇｒｅｓｓｉｖｅｍｏｄｅｌｓａｎｄｉｔｅｒａｔｉｖｅｌｙｒｅｗｅｉｇｈｔｅｄｌｅａｓｔｓｑｕａｒｅｓｅｓｔｉｍａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｏｎＰｏｗｅｒＳｙｓｔｅｍｓ，１９９３，８（１）：３４３－３４８．［５］ＺＨＯＵＰ，ＡＮＧＢＷ，ＰＯＨＫＬ．Ａｔｒｉｇｏｎｏｍｅｔｒｉｃｇｒｅｙｐｒｅｄｉｃｔｉｏｎａｐｐｒｏａｃｈｔｏｆｏｒｅｃａｓｔｉｎｇｅｌｅｃｔｒｉｃｉｔｙｄｅｍａｎｄ［Ｊ］．Ｅｎｅｒｇｙ，２００６，３１（１４）：２８３９－２８４７．［６］王鑫．基于支持向量机的电力系统短期负荷预测研究［Ｄ］．青岛：青岛大学，２０１２．［７］游文霞，赵迪，吴永华，等．基于ＡｄａＢｏｏｓｔ集成学习的台区负荷最大值预测研究［Ｊ］．三峡大学学报（自然科学版），２０２０，４２（０６）：９２－９６．［８］易丹，王进，蒋铁铮．电力负荷短期预测的神经网络方法研究［Ｊ］．长沙电力学院学报（自然科学版），２０００，１５（０４）：４４－４６．［９］ＬＩＺｈｅｎｇ，ＱＩＮＹａｎ，ＨＯＵＳｈａｏｄｏｎｇ，ｅｔａｌ．ＲｅｎｅｗａｂｌｅｅｎｅｒｇｙｓｙｓｔｅｍｂａｓｅｄｏｎＩＦＯＡ－ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｌｏａｄｆｏｒｅｃａｓｔ［Ｊ］．ＥｎｅｒｇｙＲｅｐｏｒｔｓ，２０２０，６（Ｓ９）：１５８５－１５９０．［１０］ＺＨＥＮＧＣｈａｏ，ＷＡＮＧＳｈａｏｒｏｎｇ，ＬＩＵＹｉｌｕ，ｅｔａｌ．ＡｎｏｖｅｌＲＮＮｂａｓｅｄｌｏａｄｍｏｄｅｌｌｉｎｇｍｅｔｈｏｄｗｉｔｈｍｅａｓｕｒｅｍｅｎｔｄａｔａｉｎａｃｔｉｖｅｄｉｓｔｒｉｂｕｔｉｏｎｓｙｓｔｅｍ［Ｊ］．ＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓＲｅｓｅａｒｃｈ，２０１９，９（６）：１１２－１２４．［１１］ＭＵＺＡＦＦＡＲＳ，ＡＦＳＨＡＲＩＡ．Ｓｈｏｒｔ－ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｓｕｓｉｎｇＬＳＴＭｎｅｔｗｏｒｋｓ［Ｊ］．ＥｎｅｒｇｙＰｒｏｃｅｄｉａ，２０１９，１５８：２９２２－２９２７．［１２］童善保．小波分析及其应用［Ｄ］．上海：上海交通大学，１９９８．［１３］ＭＩＲＪＡＬＩＬＩＳ，ＧＡＮＤＯＭＩＡＨ，ＭＩＲＪＡＬＩＬＩＳＺ，ｅｔａｌ．ＳａｌｐＳｗａｒｍＡｌｇｏｒｉｔｈｍ：Ａｂｉｏ－ｉｎｓｐｉｒｅｄｏｐｔｉｍｉｚｅｒｆｏｒｅｎｇｉｎｅｅｒｉｎｇｄｅｓｉｇｎｐｒｏｂｌｅｍｓ［Ｊ］．ＡｄｖａｎｃｅｓｉｎＥｎｇｉｎｅｅｒｉｎｇＳｏｆｔｗａｒｅ，２０１７，１１４：１６３－１９１．［１４］付生猛，陈朝阳，周亚安．基于混沌映射的随机数产生器［Ｊ］．计算机研究与发展，２００４，４１（０４）：７４９－７５４．（下转第８８页）４８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀Copyright ©博看网. All Rights Reserved.终检查，电子锁为关闭的状态，状态查看响应时间为０．１４ｍｓ；语音警报未触发，响应时间为０．０８ｍｓ；服务器为错误状态，亟需进行处理，警报响应时间为０．０５ｍｓ㊂经过实验室环境㊁电器㊁状态等控制，可以保证系统运行正常㊂３．３㊀测试结果在上述测试条件下，本文选取出８种系统测试条件，每个监控内容均存在一个标准控制结果㊂在其他条件均一致的情况下，本文将传统实验室监控智能控制系统的控制结果，与本文设计的基于ＣＭＯＳ微处理器的实验室监控智能控制系统的控制结果进行对比㊂具体测试结果见表３㊂㊀㊀由表３可知，本文选取出实验室温度㊁湿度㊁煤气浓度㊁烟雾浓度㊁电气控制响应时间㊁电子锁状态查看响应时间㊁语音警报响应时间㊁服务器错误警报响应时间等实验室智能监控内容作为系统测试条件，每一个测试内容均对应着标准值㊂在其他条件均一致的情况下，传统实验室监控智能控制系统的控制结果，与标准控制结果相差较多，响应时间㊁温度㊁湿度㊁浓度等智能控制结果与标准控制结果相差得越多，系统运行能力越弱，智能控制效果随之下降㊂而本文设计的基于ＣＭＯＳ微处理器的实验室监控智能控制系统的控制结果，与标准控制结果相差较少，响应时间㊁温度㊁湿度㊁浓度等智能控制结果与标准控制结果相差较小，煤气浓度㊁烟雾浓度㊁语音警报响应时间等监控内容的智能控制结果，与标准控制结果一致，可以保证系统运行能力，智能控制水平较高，符合本文研究目的㊂表３㊀测试结果Ｔａｂ．３㊀Ｔｅｓｔｒｅｓｕｌｔｓ实验室智能监控内容标准控制结果传统实验室监控智能控制系统的控制结果本文设计的智能控制系统的控制结果实验室温度／ħ２１．８２２１．７２２１．８１实验室湿度／ＲＨ２．１７２．２７２．１８煤气浓度／ｐｐｍ０．０５０．０８０．０５烟雾浓度／（ｍｇ㊃ｍ－３）０．０８０．１５０．０８电器控制响应时间／ｍｓ０．２６０．３６０．２５电子锁状态查看响应时间／ｍｓ０．１４０．０４０．１３语音警报响应时间／ｍｓ０．０８０．１００．０８服务器错误警报响应时间／ｍｓ０．０５０．１５０．０４４㊀结束语为了使实验室环境更加符合科研需求，本文设计了基于ＣＭＯＳ微处理器的实验室监控智能控制系统，通过硬件设计与软件设计两方面，实现实验室监控智能控制，为科研事业的发展提供基础条件㊂参考文献［１］赵宏伟，秦昌明．构建基于ＰＤＣＡ模式实验室建设项目质量监控体系［Ｊ］．中国多媒体与网络教学学报（上旬刊），２０２１（０５）：１３１－１３３．［２］吴遵义，谢湖均．基于ＨＡＣＣＰ理念的高校实验室安全隐患排查与监控研究［Ｊ］．实验科学与技术，２０２０，１８（０２）：１４４－１４８．［３］刘燕，张奕，秦维勇，等．新工科背景下集成化智能配电网监控系统实验室建设研究［Ｊ］．中国教育信息化，２０２１（０１）：８７－９２．［４］付秀伟，付莉，赵广磊，等．基于物联网技术的水产养殖网箱水质监控实验教学平台建设［Ｊ］．物联网技术，２０２２，１２（０２）：４１－４２（上接第８４页）［１５］张前图，房立清，赵玉龙．具有Ｌｅｖｙ飞行特征的双子群果蝇优化算法［Ｊ］．计算机应用，２０１５，３５（０５）：１３４８－１３５２．［１６］包振山，郭俊南，谢源，等．基于ＬＳＴＭ－ＧＡ的股票价格涨跌预测模型［Ｊ］．计算机科学，２０２０，４７（Ｓ１）：４６７－４７３．［１７］杨孟达．基于改进ＰＳＯ－ＬＳＴＭ神经网络的气温预测［Ｊ］．现代信息科技，２０２０，４（０４）：１１０－１１２．［１８］熊伟丽，徐保国．基于ＰＳＯ的ＳＶＲ参数优化选择方法研究［Ｊ］．系统仿真学报，２００６，１８（０９）：２４４２－２４４５．［１９］刘春艳，凌建春，寇林元，等．ＧＡ－ＢＰ神经网络与ＢＰ神经网络性能比较［Ｊ］．中国卫生统计，２０１３，３０（０２）：１７３－１７６，１８１．８８智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀Copyright©博看网. All Rights Reserved.。

基于SAE与CEEMDAN-BiLSTM组合模型的短期电力负荷预测

基于SAE与CEEMDAN-BiLSTM组合模型的短期电力负荷预测

第３９卷第７期 计算机应用与软件Ｖｏｌ ３９Ｎｏ．７２０２２年７月 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＪｕｌ．２０２２基于ＳＡＥ与ＣＥＥＭＤＡＮ ＢｉＬＳＴＭ组合模型的短期电力负荷预测黄　炜　陈　田（上海电机学院机械学院　上海２００１２０）收稿日期：２０２０－０３－２５。

上海市高峰高原学科项目（Ａ１ ５７０１ １８ ００７ ０３）；上海市自然科学基金项目（１５ＺＲ１４１７２００）。

黄炜，硕士生，主研领域：电力系统检测与控制。

陈田，教授。

摘　要 单一模型在迭代训练过程中由于模型的自身误差，最终会降低预测精度。

为了提高预测的准确性，引入完整集成经验模态分解 双向长短期记忆网络（ＣＥＥＭＤＡＮ ＢｉＬＳＴＭ）作为误差修正模型，提出一种栈式自编码器（ＳＡＥ）与ＣＥＥＭＤＡＮ ＢｉＬＳＴＭ相结合的负荷预测模型。

通过ＳＡＥ模型学习气象因素、工作日类型、气温影响下负荷序列的主要特征，预测过程中产生的误差序列则反映了负荷序列的次要特征；使用ＣＥＥＭＤＡＮ算法将误差序列分解为数个分量，针对每一项分量建立ＢｉＬＳＴＭ模型学习误差序列的时序特征，将各项分量的预测值累加得到误差的预测结果；将两种模型的预测值求和从而达到修正误差的目的。

通过比较几种模型的预测结果表明：ＳＡＥ与ＣＥＥＭＤＡＮ ＢｉＬＳＴＭ组合模型应用在短期电力负荷预测具有更好的准确性与稳定性。

关键词 短期电力系统负荷预测　栈式自编码器　ＣＥＥＭＤＡＮ　双向长短期记忆网络中图分类号　ＴＰ３ 文献标志码　Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００ ３８６ｘ．２０２２．０７．００９ＳＨＯＲＴ ＴＥＲＭＰＯＷＥＲＬＯＡＤＦＯＲＥＣＡＳＴＩＮＧＢＡＳＥＤＯＮＴＨＥＣＯＭＢＩＮＡＴＩＯＮＭＯＤＥＬＯＦＳＡＥＡＮＤＣＥＥＭＤＡＮ ＢＩＬＳＴＭＨｕａｎｇＷｅｉ　ＣｈｅｎＴｉａｎ（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃｓ，ＳｈａｎｇｈａｉＤｉａｎｊｉＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２００１２０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ Ｉｎｔｈｅｐｒｏｃｅｓｓｏｆｉｔｅｒａｔｉｖｅｔｒａｉｎｉｎｇ，ｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｏｆａｓｉｎｇｌｅｍｏｄｅｌｗｉｌｌｂｅｒｅｄｕｃｅｄｄｕｅｔｏｉｔｓｏｗｎｅｒｒｏｒｓ．Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｐｒｅｄｉｃｔｉｏｎ，ｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｄｔｈｅｉｎｔｅｇｒａｔｅｄｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ ｂｉｄｉｒｅｃｔｉｏｎａｌｌｏｎｇｓｈｏｒｔｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋ（ＣＥＥＭＤＡＮ ＢｉＬＳＴＭ）ａｓｔｈｅｅｒｒｏｒｃｏｒｒｅｃｔｉｏｎｍｏｄｅｌ，ａｎｄｐｒｏｐｏｓｅｄａｌｏａｄｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｃｏｍｂｉｎｉｎｇｔｈｅｓｔａｃｋｓｅｌｆ ｅｎｃｏｄｅｒ（ＳＡＥ）ａｎｄＣＥＥＭＤＡＮ ＢｉＬＳＴＭ．Ｔｈｅｍａｉｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｌｏａｄｓｅｑｕｅｎｃｅｕｎｄｅｒｔｈｅｉｎｆｌｕｅｎｃｅｏｆｍｅｔｅｏｒｏｌｏｇｉｃａｌｆａｃｔｏｒｓ，ｗｏｒｋｉｎｇｄａｙｓａｎｄａｉｒｔｅｍｐｅｒａｔｕｒｅｗｅｒｅｌｅａｒｎｅｄｔｈｒｏｕｇｈｔｈｅＳＡＥｍｏｄｅｌ．Ｔｈｅｅｒｒｏｒｓｅｑｕｅｎｃｅｓｇｅｎｅｒａｔｅｄｉｎｔｈｅｐｒｅｄｉｃｔｉｏｎｐｒｏｃｅｓｓｒｅｆｌｅｃｔｅｄｔｈｅｓｅｃｏｎｄａｒｙｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｌｏａｄｓｅｑｕｅｎｃｅ．ＣＥＥＭＤＡＮａｌｇｏｒｉｔｈｍｗａｓｕｓｅｄｔｏｄｅｃｏｍｐｏｓｅｔｈｅｅｒｒｏｒｓｅｑｕｅｎｃｅｉｎｔｏｓｅｖｅｒａｌｃｏｍｐｏｎｅｎｔｓ．Ｆｏｒｅａｃｈｃｏｍｐｏｎｅｎｔ，ｔｈｅＢｉＬＳＴＭｍｏｄｅｌｗａｓｅｓｔａｂｌｉｓｈｅｄｔｏｌｅａｒｎｔｈｅｔｉｍｅｓｅｑｕｅｎｃｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｅｒｒｏｒｓｅｑｕｅｎｃｅ．Ｔｈｅｐｒｅｄｉｃｔｅｄｖａｌｕｅｓｏｆｔｈｅｔｗｏｍｏｄｅｌｓｗｅｒｅｓｕｍｍｅｄｔｏｃｏｒｒｅｃｔｔｈｅｅｒｒｏｒｓ．Ｂｙｃｏｍｐａｒｉｎｇｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆｓｅｖｅｒａｌｍｏｄｅｌｓ，ｉｔｉｓｓｈｏｗｎｔｈａｔｔｈｅｃｏｍｂｉｎａｔｉｏｎｍｏｄｅｌｏｆＳＡＥａｎｄＣＥＥＭＤＡＮ ＢｉＬＳＴＭｈａｓｂｅｔｔｅｒａｃｃｕｒａｃｙａｎｄｓｔａｂｉｌｉｔｙｉｎｔｈｅｓｈｏｒｔ ｔｅｒｍｐｏｗｅｒｌｏａｄｐｒｅｄｉｃｔｉｏｎ．Ｋｅｙｗｏｒｄｓ Ｓｈｏｒｔ ｔｅｒｍｐｏｗｅｒｓｙｓｔｅｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇ　Ｓｔａｃｋｅｄａｕｔｏｅｎｃｏｄｅｒ　ＣＥＥＭＤＡＮ　Ｂｉｄｉｒｅｃｔｉｏｎａｌｌｏｎｇｓｈｏｒｔｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋ０　引　言近年来，随着我国科技工业的高速发展，电能的需求量不断增大，对于电力负荷预测准确度的要求也在不断地提高。

电力系统短期负荷预测的开题报告

电力系统短期负荷预测的开题报告

电力系统短期负荷预测的开题报告1.选题背景和研究意义电力系统是一个复杂的能源系统，其安全可靠运行对国民经济的发展具有重要意义。

电力系统的负荷预测是电力系统运行和规划的重要环节，不仅对电力生产企业的生产计划、电力市场交易等具有指导作用，而且对于电力系统进行计划和调度都有着十分重要的作用。

但是，电力负荷预测面临诸多挑战，如天气变化、消费习惯变化、季节变化等对负荷造成的影响，这些难以量化的因素使得负荷预测存在较大误差，因此需要研究和开发能够准确预测电力负荷的新方法。

短期负荷预测是指在较短的时间内（一般为24小时以内）预测负荷的大小。

由于短期负荷预测所需要的数据相对较少，因此可以利用这些数据预测未来一段时间的电力负荷情况。

正确的负荷预测可以帮助电力系统运营商合理制定电力市场交易计划、提高电力生产的效率，从而降低成本，提高电力质量。

因此，短期负荷预测研究具有重要的意义。

2.研究现状目前，短期负荷预测主要采用统计分析、人工神经网络等方法，但这些方法存在一些问题，如受到特定因素的影响后预测效果下降等。

为了解决这些问题，研究者们已经尝试了很多新的方法，如时间序列分析方法、支持向量机方法、深度学习方法等。

其中，深度学习方法是近年来应用较为广泛的一种短期负荷预测方法，其优点在于可以自动学习负荷数据中的复杂特征，从而预测准确度更高。

同时，深度学习方法还可以较好地处理负荷数据中的非线性特征，因此在解决时间序列预测问题方面具有一定的优势。

但是，深度学习的模型复杂度较高，需要大量的数据进行训练，在遇到数据量较少的情况下可能会出现过拟合等问题。

因此，研究者也需要通过改进算法，提高预测模型的训练效率和预测精度。

3.研究目标本研究将深度学习方法应用于电力系统短期负荷预测，主要包括以下几方面研究：（1）研究不同深度学习网络模型，探索其对电力负荷预测的适用性和优缺点。

（2）改进深度学习算法，增加模型的鲁棒性和节省计算资源，提高负荷预测的准确率和可靠性。

考虑天气特征与多变量相关性的配电网短期负荷预测

考虑天气特征与多变量相关性的配电网短期负荷预测

第52卷第6期电力系统保护与控制Vol.52 No.6 2024年3月16日Power System Protection and Control Mar. 16, 2024 DOI: 10.19783/ki.pspc.231329考虑天气特征与多变量相关性的配电网短期负荷预测于 越1，葛磊蛟2，金朝阳1，王 玥1，丁 磊1(1.电网智能化调度与控制教育部重点实验室(山东大学)，山东 济南 250061；2.智能电网教育部重点实验室(天津大学)，天津 300072)摘要：针对配电网短期负荷预测受到众多复杂天气特征等随机不确定性因素影响，以及传统预测模型难以有效分析不同特征序列之间的相关性等问题，提出一种考虑天气特征与多变量相关性的配电网短期负荷预测方法。

首先，提出多变量快速最大信息系数(multi-variable rapid maximal information coefficient, MVRapidMIC)提取相关性高的天气特征序列。

其次，引入探索性因子分析法(exploratory factor analysis, EFA)，对高相关性特征序列进行降维处理。

最后，将维度分段(dimension-segment-wise, DSW)机制和两阶段注意力(two-stage attention, TSA)机制与Informer 模型结合，提高预测模型对不同特征序列相关性的分析能力。

通过DTU 7K 47节点实际配电网的历史负荷数据开展仿真测试，验证所提方法的预测精度、鲁棒性和时效性。

关键词：配电网；短期负荷预测；天气特征；最大信息系数；Informer框架Short-term load prediction method of distribution networks considering weather featuresand multivariate correlationsYU Yue1, GE Leijiao2, JIN Zhaoyang1, WANG Yue1, DING Lei1(1. Key Laboratory of Power System Intelligent Dispatch and Control (Shandong University), Ministry of Education,Jinan 250061, China; 2. Key Laboratory of Smart Grid of Ministry of Education (Tianjin University), Tianjin 300072, China)Abstract: To address challenges in short-term load forecasting for distribution networks, challenges such as the impact of complex weather features and the difficulty in analyzing correlations between different feature sequences using traditional models, a method considering those issues is proposed. First, the method presents a multi-variable rapid maximal information coefficient (MVRapidMIC) to extract highly correlated weather feature sequences. Exploratory factor analysis (EFA) is then employed for dimensionality reduction on these sequences. Finally, the dimension-segment-wise (DSW) and two-stage attention (TSA) mechanisms are integrated with the Informer model to enhance the model’s ability to analyze correlations between different feature sequences. Simulation tests using historical load data from the DTU 7K 47-bus distribution system validate the forecasting accuracy, robustness, and timeliness of the method.This work is supported by the National Natural Science Foundation of China (No. U22B20101).Key words: distribution network; short-term electricity load forecasting; weather features; maximal information coefficient; Informer framework0 引言负荷预测是提高电网调度水平的重要部分[1]，对配电网进行快速、准确地短期负荷预测有利于保障电网安全稳定运行、降低运营成本以及提高能源的利用率[2]。