基于EWT-GRU-RR的配電網(wǎng)短期電力負(fù)荷預(yù)測(cè)模型

白星振,趙 康,葛磊蛟,王 慧,李 晶,李 華,牛 峰

(1.山東科技大學(xué) 電氣與自動(dòng)化工程學(xué)院,山東 青島 266590; 2.天津大學(xué) 智能電網(wǎng)教育部重點(diǎn)實(shí)驗(yàn)室,天津 300072;3.中國(guó)能源建設(shè)集團(tuán) 天津電力設(shè)計(jì)院有限公司,天津 300400; 4.山東科技大學(xué) 電子信息工程學(xué)院,山東 青島 266590;5.國(guó)網(wǎng)遼寧省電力有限公司 經(jīng)濟(jì)技術(shù)研究院,遼寧 沈陽(yáng) 110015;6.河北工業(yè)大學(xué) 省部共建電工裝備可靠性與智能化國(guó)家重點(diǎn)實(shí)驗(yàn)室,天津 300130)

精確的短期電力負(fù)荷預(yù)測(cè)是合理分配電網(wǎng)資源和優(yōu)化電力基礎(chǔ)設(shè)施的重要基礎(chǔ)[1]。實(shí)現(xiàn)電力負(fù)荷的精準(zhǔn)預(yù)測(cè),有利于電力企業(yè)根據(jù)負(fù)荷短時(shí)變化情況及時(shí)靈活調(diào)整電價(jià)和用電策略,獲得良好的經(jīng)濟(jì)效益。同時(shí),實(shí)現(xiàn)電力負(fù)荷的精準(zhǔn)預(yù)測(cè)對(duì)于電力系統(tǒng)區(qū)域能源優(yōu)化調(diào)度和節(jié)能經(jīng)濟(jì)運(yùn)行具有重要意義[2-3]。

短期電力負(fù)荷存在一定的周期特性,但隨著電力市場(chǎng)的發(fā)展和間歇分布式能源并網(wǎng)水平的提高,電力負(fù)荷的規(guī)律性被逐漸削弱,出現(xiàn)較強(qiáng)的隨機(jī)性和非周期成分,增加了短期負(fù)荷預(yù)測(cè)的難度。多年來(lái),國(guó)內(nèi)外學(xué)者針對(duì)如何提升短期負(fù)荷預(yù)測(cè)精度開(kāi)展研究。文獻(xiàn)[4]采用Nadam優(yōu)化算法優(yōu)化深度信念網(wǎng)絡(luò),提升了預(yù)測(cè)精度,但仍無(wú)法實(shí)現(xiàn)波動(dòng)性較強(qiáng)的特殊類型負(fù)荷的預(yù)測(cè);文獻(xiàn)[5]引入實(shí)時(shí)電價(jià)這一影響因素,利用加權(quán)灰色關(guān)聯(lián)投影算法選取歷史負(fù)荷數(shù)據(jù)集,減小了模型的預(yù)測(cè)誤差;文獻(xiàn)[6]提出一種數(shù)據(jù)驅(qū)動(dòng)與誤差驅(qū)動(dòng)融合的短期負(fù)荷預(yù)測(cè)方法,但沒(méi)有考慮多變量間的復(fù)雜協(xié)同作用,缺乏一定的普適性。上述文獻(xiàn)本質(zhì)上是采用單一預(yù)測(cè)模型進(jìn)行負(fù)荷預(yù)測(cè),此類預(yù)測(cè)方法會(huì)因?yàn)樨?fù)荷隨機(jī)性過(guò)強(qiáng)導(dǎo)致模型的泛化性能不佳[7],因此,組合預(yù)測(cè)方法應(yīng)運(yùn)而生。文獻(xiàn)[8]采用變分模態(tài)分解技術(shù)將原始負(fù)荷序列分解為具有不同特征頻率的子序列,并對(duì)每個(gè)子序列建立預(yù)測(cè)模型,提高了預(yù)測(cè)精度;文獻(xiàn)[9]采用集合經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition,EEMD)將電力負(fù)荷變化趨勢(shì)加以區(qū)分,并針對(duì)不同趨勢(shì)選用神經(jīng)網(wǎng)絡(luò)和多元線性回歸組合預(yù)測(cè),對(duì)隨機(jī)性較強(qiáng)的局部特征實(shí)現(xiàn)了準(zhǔn)確預(yù)測(cè),但是隨著分解模態(tài)數(shù)量的增多出現(xiàn)了預(yù)測(cè)誤差累積、模型復(fù)雜度提高等問(wèn)題。

為提高短期電力負(fù)荷預(yù)測(cè)的精度,本研究提出一種經(jīng)驗(yàn)小波變換(empirical wavelet transform,EWT)、門(mén)控循環(huán)單元(gated recurrent unit,GRU)和嶺回歸(ridge regression,RR)相結(jié)合的短期負(fù)荷預(yù)測(cè)模型EWT-GRU-RR。EWT可以對(duì)負(fù)荷序列實(shí)現(xiàn)有效分解,GRU和RR針對(duì)分解得到的子序列頻率大小可以實(shí)現(xiàn)自適應(yīng)預(yù)測(cè),本研究充分利用上述特點(diǎn)。首先,基于灰色關(guān)聯(lián)度選取與負(fù)荷高相關(guān)性的氣象耦合因素作為相似日分類指標(biāo),并采用皮爾遜系數(shù)法對(duì)類別內(nèi)的負(fù)荷進(jìn)行最佳相似日選取;接著,采用EWT對(duì)相似日負(fù)荷數(shù)據(jù)進(jìn)行分解得到不同頻率的負(fù)荷模態(tài)序列;最后,采用GRU與RR分別對(duì)不同頻率模態(tài)序列進(jìn)行多步預(yù)測(cè),再將結(jié)果疊加還原,得到最終預(yù)測(cè)結(jié)果。

1 負(fù)荷的分解與預(yù)測(cè)

短期電力負(fù)荷對(duì)季節(jié)、溫度、天氣十分敏感,很難用一種預(yù)測(cè)算法實(shí)現(xiàn)精準(zhǔn)模擬[10]。本研究采用EWT將電力負(fù)荷分解成周期、平穩(wěn)成分和受外界因素影響的非周期、隨機(jī)成分,使預(yù)測(cè)過(guò)程更具有針對(duì)性。在電力負(fù)荷預(yù)測(cè)模型的選擇上,利用GRU對(duì)隨機(jī)性強(qiáng)的分量具有出色的記憶能力和RR可以解決預(yù)測(cè)過(guò)程中出現(xiàn)的負(fù)荷數(shù)據(jù)多重共線性問(wèn)題的特點(diǎn),將兩個(gè)預(yù)測(cè)模型相結(jié)合實(shí)現(xiàn)各模態(tài)分量的精準(zhǔn)預(yù)測(cè)。

1.1 負(fù)荷分解模型

EWT是一種以小波變換為理論框架的自適應(yīng)信號(hào)分解方法,采用合適正交小波濾波器自適應(yīng)劃分信號(hào)的傅里葉譜,然后提取其中不同調(diào)幅、調(diào)頻模態(tài)進(jìn)行處理,以獲得瞬時(shí)頻率和幅值,具體過(guò)程如下[11]。

1) 對(duì)由若干天負(fù)荷數(shù)據(jù)組成的負(fù)荷序列f(t)進(jìn)行傅里葉變換,并將其在[0,π]內(nèi)的傅里葉頻譜劃分為N個(gè)連續(xù)段落Λn=[ωn-1,ωn],其中ωn為分割段落之間的邊界,n=1,2,…,N。

(1)

(2)

(3)

(4)

(5)

(6)

4) 將原始負(fù)荷序列f(t)重構(gòu),得到:

(7)

5) 求解f(t)各模態(tài)分量。這種自適應(yīng)劃分輸入負(fù)荷信號(hào)并得到特征差異明顯的模態(tài)分量的方式,可實(shí)現(xiàn)對(duì)負(fù)荷特征的有效提取。

(8)

(9)

式中:模態(tài)分量f0(t)代表整體變化趨勢(shì)的IMF分量,較為平穩(wěn),本研究將其定義為負(fù)荷分量F0;fk(t)代表特征差異明顯的IMF分量,本研究將其定義為負(fù)荷分量Fk,k=1,2,…,N。

1.2 負(fù)荷預(yù)測(cè)模型

1.2.1 門(mén)控循環(huán)單元

循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)通過(guò)引入循環(huán)單元結(jié)構(gòu),使其在未構(gòu)造時(shí)序特征的情況下實(shí)現(xiàn)動(dòng)態(tài)記憶輸入序列的時(shí)序特性,但當(dāng)輸入序列足夠長(zhǎng)時(shí),RNN的梯度可能會(huì)在反向傳播期間逐漸減小,導(dǎo)致網(wǎng)絡(luò)權(quán)重?zé)o法更新而停止學(xué)習(xí)[12]。為解決上述問(wèn)題,文獻(xiàn)[13]提出GRU。在使用EWT得到各負(fù)荷分量后,本研究使用GRU預(yù)測(cè)負(fù)荷分量中非周期、無(wú)規(guī)律波動(dòng)的高頻分量,保證精度的同時(shí)進(jìn)一步節(jié)省運(yùn)算時(shí)間。GRU單元結(jié)構(gòu)參考文獻(xiàn)[14],這里不再贅述。

1.2.2 嶺回歸

為提高負(fù)荷預(yù)測(cè)的精確性,分別對(duì)EWT分解產(chǎn)生的負(fù)荷序列采用滑動(dòng)窗口多步長(zhǎng)處理,各分量均可得到高度相關(guān)自變量負(fù)荷矩陣Xk=[fk(t-1),fk(t+1),fk(t-2),fk(t+2)],因變量負(fù)荷矩陣為Yk=[y1,y2,…,yn]Τ,其中k為Fk對(duì)應(yīng)模態(tài)數(shù)。若繼續(xù)采用傳統(tǒng)預(yù)測(cè)模型,則會(huì)因輸入自變量特征過(guò)多陷入過(guò)擬合,導(dǎo)致預(yù)測(cè)精度降低。為此,文獻(xiàn)[14]通過(guò)引入正則化項(xiàng)解決自變量之間多重共線性的問(wèn)題,傳統(tǒng)回歸公式為:

(10)

(11)

2 預(yù)測(cè)流程和評(píng)判指標(biāo)

基于上述理論分析,本研究提出一種經(jīng)驗(yàn)小波變換、門(mén)控循環(huán)單元與嶺回歸的組合預(yù)測(cè)方法EWT-GRU-RR(以下簡(jiǎn)稱EGR),該方法可明顯提高預(yù)測(cè)精度,方法流程如下。

1) 數(shù)據(jù)預(yù)處理。剔除數(shù)據(jù)集中缺失負(fù)荷或氣象數(shù)據(jù)的負(fù)荷日,以保證數(shù)據(jù)的有效性[15]。

2) 相似日分類依據(jù)的確定。結(jié)合灰色關(guān)聯(lián)度分析,觀察與日負(fù)荷變化趨勢(shì)最為一致的氣象因素,并將其作為分類依據(jù)進(jìn)行分類。采用綜合氣象因素既省略了不同類型氣象因素與負(fù)荷相對(duì)重要性的比較過(guò)程,又能實(shí)現(xiàn)對(duì)負(fù)荷變化的有效跟蹤,進(jìn)而保障了預(yù)測(cè)的精確性。本研究融合各日特征氣象因素得到氣象耦合指標(biāo)人體舒適度,以此表征負(fù)荷變化情況并進(jìn)行最佳相似日的選取[16]。人體舒適度指數(shù)為:

(12)

3) 相似日的選取。根據(jù)預(yù)測(cè)日所在類別,結(jié)合皮爾遜系數(shù)法在對(duì)應(yīng)類別中篩選出與預(yù)測(cè)日負(fù)荷強(qiáng)相關(guān)的最佳相似日。采用灰色關(guān)聯(lián)度與皮爾遜相似度兩種相似度指標(biāo),從不同角度篩選相似日以保證輸入負(fù)荷數(shù)據(jù)含有較多的特征信息,減少數(shù)據(jù)冗余。

4) 負(fù)荷序列的分解與預(yù)測(cè)。采用EWT對(duì)輸入負(fù)荷序列進(jìn)行分解,得到數(shù)據(jù)平滑、周期性較強(qiáng)的模態(tài)分量和頻率高、隨機(jī)性較強(qiáng)的模態(tài)分量,根據(jù)不同分量采用不同的負(fù)荷預(yù)測(cè)方式。一方面,該方法充分利用了GRU非線性映射能力,能夠較好地還原隨機(jī)性強(qiáng)的高頻模態(tài)分量;另一方面,采用嶺回歸可以在預(yù)測(cè)低頻模態(tài)分量的同時(shí),盡可能地降低EWT分解和預(yù)測(cè)中耗費(fèi)的時(shí)間與資源,提升預(yù)測(cè)速度與效率。

5) 將各模態(tài)預(yù)測(cè)結(jié)果疊加重構(gòu),得到最終負(fù)荷預(yù)測(cè)值。

采用平均絕對(duì)百分誤差(mean absolute percentage error,MAPE)和均方根誤差(root mean square error,RMSE)評(píng)估模型的預(yù)測(cè)性能優(yōu)劣,評(píng)估指標(biāo)計(jì)算式分別為:

(13)

(14)

圖1 模型整體預(yù)測(cè)過(guò)程

3 仿真分析

以天津市2016年某區(qū)域15 min粒度電力負(fù)荷數(shù)據(jù)為例,對(duì)提出的短期電力負(fù)荷預(yù)測(cè)方法進(jìn)行驗(yàn)證。涉及的仿真模型均在Python下搭建,參數(shù)設(shè)置為:嶺回歸采用Sklearn庫(kù)中的ElasticNetCV模塊,并設(shè)置l1_ratio=0;為保證L2嶺回歸范數(shù),alpha=1e5;GRU根據(jù)數(shù)據(jù)集規(guī)模選擇optimizer=’adam’,loss=’mean_squared_error’,batch_size=4,epochs=400;SVR、RBF采用GridSearchCV尋得最優(yōu)參數(shù),各算例參數(shù)如表1、表2所示。

表1 EWT分量下SVR參數(shù)設(shè)置

表2 EMD分量下RBF參數(shù)設(shè)置

3.1 氣象耦合及相似日分類

合適的歷史相似日的選取可明顯提升負(fù)荷預(yù)測(cè)效果,短期電力負(fù)荷預(yù)測(cè)方法越來(lái)越多地考慮到多變量、多尺度的影響因素。采用綜合氣象因素既省略了不同類型氣象因素與負(fù)荷相對(duì)重要性的比較過(guò)程,又能實(shí)現(xiàn)對(duì)負(fù)荷變化的有效跟蹤,保障負(fù)荷預(yù)測(cè)的精確性。本研究融合各日特征氣象因素得到氣象指標(biāo),并以此表征負(fù)荷變化情況,進(jìn)行最佳相似日選取。其中,各氣象指標(biāo)與日負(fù)荷相關(guān)性如表3所示。

表3 氣象指標(biāo)及其相關(guān)性對(duì)比

灰色關(guān)聯(lián)法是一種通過(guò)研究數(shù)據(jù)關(guān)聯(lián)性大小反映各因素對(duì)目標(biāo)值重要程度的研究方法。人體舒適度指數(shù)是從氣象角度對(duì)人體的舒適感進(jìn)行評(píng)價(jià)的指標(biāo)。由表3可以看出,在氣象指標(biāo)與日負(fù)荷的相關(guān)性上,結(jié)合多種氣象因素所得的氣象指標(biāo)較單一氣象因素有了明顯的提高。本研究相似日分類指標(biāo)為人體舒適度,結(jié)合文獻(xiàn)[17]制定表4所示分類指標(biāo)。其中,預(yù)測(cè)日為隨機(jī)選取96點(diǎn)日負(fù)荷。輸入過(guò)多的變量不僅增加計(jì)算復(fù)雜度,而且變量間的交叉相關(guān)影響會(huì)導(dǎo)致預(yù)測(cè)精度降低。因此,本研究根據(jù)預(yù)測(cè)日選取對(duì)應(yīng)類別內(nèi)皮爾遜相關(guān)系數(shù)最高的4天作為訓(xùn)練集。

表4 人體舒適度分類及類別占比

3.2 分解的模態(tài)分量對(duì)比分析

為進(jìn)一步驗(yàn)證EWT分解的有效性,分別采用EWT、EMD方法對(duì)分類優(yōu)選后的訓(xùn)練集負(fù)荷進(jìn)行分解,如圖2、圖3所示。

圖2 EWT負(fù)荷分量圖

圖3 EMD負(fù)荷分量圖

由圖2可知,EWT的模態(tài)分量由低頻向高頻過(guò)渡。其中,低頻模態(tài)分量、負(fù)荷占比較大,高頻模態(tài)分量、負(fù)荷占比較小,而且分量表現(xiàn)出一定的周期性,使得預(yù)測(cè)結(jié)果更加穩(wěn)定。從圖3可以看出,EMD的各模態(tài)分量由高頻向低頻過(guò)渡,多模態(tài)個(gè)數(shù)導(dǎo)致其高頻分量占比較大,高頻分量預(yù)測(cè)誤差的累計(jì)同時(shí)也會(huì)進(jìn)一步影響到負(fù)荷預(yù)測(cè)的精度。對(duì)比圖2和圖3可知,EWT分解得到的模態(tài)分量個(gè)數(shù)與EMD相比大幅減少。EMD分解的模態(tài)分量通過(guò)多次迭代產(chǎn)生,迭代過(guò)程缺少必要的停止條件。因此,采用EWT可有效減少后續(xù)組合預(yù)測(cè)的運(yùn)算量,從而提高效率。

基于上述對(duì)比分析,為保證負(fù)荷序列的有效分解和后續(xù)負(fù)荷預(yù)測(cè)精度,本研究選用EWT方法對(duì)負(fù)荷序列進(jìn)行處理。

3.3 預(yù)測(cè)效果對(duì)比分析

3.3.1 單一模型間的對(duì)比分析

為了驗(yàn)證所提出模型的精確性,將EWT-GRU、EWT-SVR以及單一預(yù)測(cè)模型GRU、SVR與本研究提出的EGR模型進(jìn)行對(duì)比,結(jié)果如圖4和表5所示,預(yù)測(cè)絕對(duì)誤差對(duì)比如圖5所示。其中,單一預(yù)測(cè)模型采用的數(shù)據(jù)集為未經(jīng)EWT分解的滑動(dòng)窗口多步長(zhǎng)處理負(fù)荷數(shù)據(jù)集。

表5 單模型預(yù)測(cè)誤差

圖4 單模型預(yù)測(cè)結(jié)果

圖5 單模型絕對(duì)誤差對(duì)比

1) 從圖4(a)和圖5不難看出,與EWT-GRU、GRU、SVR、EGR相比,EWT-SVR負(fù)荷預(yù)測(cè)曲線與真實(shí)負(fù)荷曲線的擬合程度較差,其絕對(duì)誤差在0:00—8:00(0—32時(shí)刻)不穩(wěn)定,即SVR并不能通過(guò)EWT將所有負(fù)荷模態(tài)分量準(zhǔn)確預(yù)測(cè),最終的預(yù)測(cè)結(jié)果存在模態(tài)分量的誤差累計(jì)。因此,針對(duì)不同模態(tài)預(yù)測(cè),選用合適的模型可提高預(yù)測(cè)的可靠性。

2) 結(jié)合圖4(b)可知,相較于GRU直接預(yù)測(cè),先采用EWT分解然后再分步預(yù)測(cè)的EWT-GRU模型擬合程度更高;結(jié)合表5中兩模型的預(yù)測(cè)誤差可以發(fā)現(xiàn),與GRU相比,EWT-GRU的RMSE值減小3.686 kW,EWT-GRU的MAPE值相較于GRU減小75.7%。因此,采用EWT可以進(jìn)一步提高預(yù)測(cè)的精確性。

3) 結(jié)合圖5分析,各模型在7:00—9:00(28—36時(shí)刻)內(nèi)的絕對(duì)誤差相對(duì)較大,反應(yīng)電力負(fù)荷存在較強(qiáng)的波動(dòng)性。其中,GRU與SVR分別達(dá)到65%和75%,這說(shuō)明在該時(shí)刻采用單一模型難以表征負(fù)荷波動(dòng)趨勢(shì),以致出現(xiàn)較大誤差。而反觀EGR和EWT-GRU誤差均穩(wěn)定在10%以內(nèi),體現(xiàn)出組合模型的優(yōu)勢(shì)。分析圖4(b)和表5可知,對(duì)低頻分量采用嶺回歸的預(yù)測(cè)模型EGR要比對(duì)低頻分量采用GRU的預(yù)測(cè)模型EWT-GRU預(yù)測(cè)效果好,預(yù)測(cè)曲線也更加擬合實(shí)際負(fù)荷曲線;與EWT-GRU相比,EGR的MAPE值和RMSE值分別減小0.197%和2.239 kW。但在實(shí)際應(yīng)用過(guò)程中,低頻分量采用神經(jīng)網(wǎng)絡(luò)會(huì)對(duì)模型增加不必要的負(fù)擔(dān),EGR較高的預(yù)測(cè)精準(zhǔn)度和較快的預(yù)測(cè)速度更加符合電力系統(tǒng)的經(jīng)濟(jì)運(yùn)行與實(shí)際負(fù)荷預(yù)測(cè)應(yīng)用。

3.3.2 組合模型間的對(duì)比分析

為進(jìn)一步驗(yàn)證所提預(yù)測(cè)模型EGR的精確性,本研究采用經(jīng)驗(yàn)?zāi)B(tài)分解法(empirical mode decomposition,EMD)同EWT進(jìn)行多模型對(duì)比。按照文獻(xiàn)[9]所述方式區(qū)分模態(tài)分解出的高頻與低頻分量,將過(guò)零率不大于0.02的設(shè)置為低頻分量,各分量過(guò)零率如圖6所示。其中,將EMD分量中的IMF4、IMF 5、IMF 6,EWT分量中的F0、F1定義為低頻分量,其余分量定義為高頻分量。多模型預(yù)測(cè)負(fù)荷曲線結(jié)果如圖7所示,多模型預(yù)測(cè)絕對(duì)誤差對(duì)比如圖8所示,多模型預(yù)測(cè)誤差及運(yùn)行時(shí)間如表6所示。

表6 多模型預(yù)測(cè)誤差及時(shí)間

圖6 各分量過(guò)零率

圖7 多模型預(yù)測(cè)結(jié)果

圖8 多模型絕對(duì)誤差對(duì)比

1) 由圖7(a)可知,各模型預(yù)測(cè)負(fù)荷曲線與實(shí)際負(fù)荷曲線的趨勢(shì)大致吻合,但是個(gè)別時(shí)段(如圖7(a)中的(1)處)各模型的預(yù)測(cè)能力差異明顯。同時(shí),從圖7(b)可以看出,應(yīng)用不同分解方法得到的負(fù)荷預(yù)測(cè)曲線趨勢(shì)均不相同。其中,EMD-GRU、EMD-GRU-RR和EMD-RBF-RR的預(yù)測(cè)曲線趨勢(shì)相對(duì)于EWT-GRU、EGR表現(xiàn)較差。

2) 如圖8所示,整體來(lái)看,采用EMD的組合預(yù)測(cè)模型整體誤差偏大;局部來(lái)看,EGR的最大絕對(duì)誤差較EMD-GRU、EMD-GRU-RR、EMD-RBF-RR減少了70%以上,預(yù)測(cè)效果較優(yōu)。進(jìn)一步,由表6可知,由于EMD的分解個(gè)數(shù)偏多,使得運(yùn)行速度變慢,EGR較EMD-GRU-RR模型在運(yùn)行時(shí)間上減少了110.6 s,同時(shí),由于低頻分量采用嶺回歸預(yù)測(cè)模型,使得EGR較EWT-GRU減少了73.753 s。因此采用EWT和嶺回歸的EGR預(yù)測(cè)模型在保證預(yù)測(cè)精度的同時(shí)提高了運(yùn)行速度,具有良好的穩(wěn)定性。

3) 由表6可知,相較于EMD-GRU,EWT-GRU的MAPE值和RMSE值分別減小72.7%和73.7%。因此,采用EWT進(jìn)行負(fù)荷分解得到的預(yù)測(cè)結(jié)果更加準(zhǔn)確。同時(shí),從圖7(c)可以看出,在低頻模態(tài)分量中采用嶺回歸代替神經(jīng)網(wǎng)絡(luò)模型仍然可以取得可觀的效果。

4 結(jié)論

針對(duì)目前短期電力負(fù)荷預(yù)測(cè)中氣象因素難以充分利用和單一負(fù)荷預(yù)測(cè)模型難以精準(zhǔn)預(yù)測(cè)的問(wèn)題,本研究提出一種組合預(yù)測(cè)模型,并通過(guò)仿真實(shí)驗(yàn)進(jìn)行驗(yàn)證,得出以下結(jié)論。

1) 采用EWT對(duì)負(fù)荷數(shù)據(jù)進(jìn)行分解,一方面減少了模態(tài)分量個(gè)數(shù),降低了后續(xù)組合預(yù)測(cè)模型的運(yùn)算規(guī)模;另一方面,對(duì)不同頻率的模態(tài)分量采用不同預(yù)測(cè)模型,一定程度上減少了算法的時(shí)間復(fù)雜度。

2) 采用嶺回歸與神經(jīng)網(wǎng)絡(luò)GRU組合預(yù)測(cè),不僅能夠精準(zhǔn)把握短期負(fù)荷周期穩(wěn)定成分的變化趨勢(shì),更能實(shí)現(xiàn)受外界因素?cái)_動(dòng)非穩(wěn)定成分的準(zhǔn)確預(yù)測(cè)。與單一預(yù)測(cè)模型和基于EWT或EMD的組合預(yù)測(cè)模型相比,本研究所提模型在預(yù)測(cè)精度上有了明顯的提高。

在今后的工作中,可進(jìn)一步借鑒人工智能和深度學(xué)習(xí)領(lǐng)域的前沿技術(shù),簡(jiǎn)化預(yù)測(cè)模型的操作步驟,提高運(yùn)行效率。