基于VMD與TCN的臺區(qū)短期負(fù)荷預(yù)測算法研究

摘" 要：針對臺區(qū)短期負(fù)荷預(yù)測精度不高的問題，提出了一種基于變分模態(tài)分解（variational mode decomposition，VMD）的時間卷積網(wǎng)絡(luò)（temporal convolutional network，TCN）短期負(fù)荷預(yù)測算法。其利用VMD對負(fù)荷數(shù)據(jù)進(jìn)行分解，得到規(guī)律性更強(qiáng)的子序列，并采用最大信息系數(shù)（maximal information coefficient，MIC）選出與負(fù)荷相關(guān)性強(qiáng)的天氣因素，與歷史負(fù)荷和分解的子序列形成新的負(fù)荷數(shù)據(jù)集，采用TCN模型完成低壓臺區(qū)短期負(fù)荷預(yù)測。并對TCN、LSTM、GRU預(yù)測算法進(jìn)行對比分析。仿真結(jié)果表明，VMD-TCN的預(yù)測效果最好，MAPE和RMSE分別為1.65%，15.05kW，表明了采用該算法可以實現(xiàn)對臺區(qū)負(fù)荷進(jìn)行精準(zhǔn)的短期預(yù)測，以便于臺區(qū)的調(diào)度管理、優(yōu)化運行以及節(jié)能減排，同時采用了另一種數(shù)據(jù)集對算法進(jìn)行了驗證，結(jié)果表明VMD-TCN的預(yù)測結(jié)果仍是最好的。

關(guān)鍵詞：短期負(fù)荷預(yù)測；變分模態(tài)分解；時間卷積網(wǎng)絡(luò)；最大信息系數(shù)

DOI：10.15938/j.jhust.2024.02.015

中圖分類號： TM715

文獻(xiàn)標(biāo)志碼： A

文章編號： 1007-2683（2024）02-0121-09

Research on Short-term Load Forecasting

Algorithm Based on VMD and TCN

WANG Qing1，" CHEN Zhiru1，" LI Guimin2， "JING Zhen1，" ZHANG Zhi1，" WANG Pingxin1，" CUI Qi3

（1.Marketing Service Center （Metering Center）， State Grid Shandong Electric Power Co. Ltd.， Jinan 250000， China;

2.State Grid Shandong Electric Power Co. Ltd.， Jinan 250000， China;

3.College of Water Conservancy and Civil Engineering， Northeast Agricultural University， Harbin 150006， China）

Abstract：Aiming at the low accuracy of short-term load forecasting in substation area， a temporal convolutional network short-term load forecasting algorithm based on variational mode decomposition is proposed in this paper. It uses VMD to decompose load data to get a more regular subsequence， and uses the maximum information coefficient to select weather factors strongly correlated with load， and forms a new load data set with the historical load and the subsequence of decomposition， using TCN model to complete short-term load forecasting in low-voltage substation areas. The prediction algorithms of TCN， LSTM and GRU are compared and analyzed. The simulation results show that the forecasting effect of VMD-TCN is the best， MAPE and RMSE are 1.65% and 15.05kW， respectively， indicating that the algorithm can be used to achieve accurate short-term" forecasting of the station load， so as to facilitate the dispatch management， optimization operation， energy saving and emission reduction of the station. At the same time， another dataset was used to validate the algorithm， and the results showed that the forecasting results of VMD-TCN were still the best.

Keywords：short-term load forecasting; variational mode decomposition; temporal convolutional network; maximum information coefficient

收稿日期： 2023-07-03

基金項目： 國家重點研發(fā)計劃項目（2021YFB4001700）；國網(wǎng)公司科技項目（5700-202255222A-1-1-ZN）.

作者簡介：

王" 清（1984—），男，高級工程師；

陳祉如（1988—），女，高級工程師.

通信作者：

崔" 琦（1973—），女，講師，E-mail：372562850@qq.com.

0" 引" 言

2020年9月，國家宣布了“碳中和與碳達(dá)峰”的“雙碳”目標(biāo)愿景，決心建設(shè)包含大規(guī)?？稍偕茉吹男滦碗娏ο到y(tǒng)，低壓臺區(qū)作為配電網(wǎng)的末端，通常是指以380V或220V低壓變壓器供電的區(qū)域，其可為廣大居民用戶和小微企業(yè)用戶供電，是新型電力系統(tǒng)不可缺少的一部分。短期負(fù)荷預(yù)測是根據(jù)氣象、社會、經(jīng)濟(jì)發(fā)展等多重歷史負(fù)荷數(shù)據(jù)，采用特定的算法對未來數(shù)天或者數(shù)小時的電力負(fù)荷進(jìn)行合理有效的預(yù)測。目前我國大多數(shù)短期負(fù)荷預(yù)測的研究都集中于整個區(qū)域級或者整個系統(tǒng)級的預(yù)測，關(guān)于臺區(qū)用戶側(cè)的短期負(fù)荷預(yù)測研究還較少。這主要是由于臺區(qū)負(fù)荷變化的隨機(jī)性較強(qiáng)，數(shù)據(jù)采集困難，導(dǎo)致這方面的研究受到阻礙。但隨著我國智能電網(wǎng)建設(shè)的不斷深入，臺區(qū)數(shù)據(jù)的采集機(jī)制也逐漸完善，因此臺區(qū)的短期負(fù)荷預(yù)測已經(jīng)具備相應(yīng)的數(shù)據(jù)基礎(chǔ)和技術(shù)條件［1］。精確的短期負(fù)荷預(yù)測不僅有助于電力系統(tǒng)的優(yōu)化調(diào)度安排，對于電網(wǎng)的安全經(jīng)濟(jì)運行也有著重要意義［2］。

短期負(fù)荷預(yù)測方法當(dāng)下常用為機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)負(fù)荷預(yù)測方法主要有支持向量機(jī)、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)［3］、深度學(xué)習(xí)等［4］。李筍等［5］根據(jù)氣象因素對春秋、夏冬的負(fù)荷進(jìn)行修正，根據(jù)最小二乘支持向量機(jī)建立氣象和日期類型與負(fù)荷最大值、最小值的關(guān)系，通過對最大負(fù)荷和最小負(fù)荷的預(yù)測，間接完成預(yù)測，但使用數(shù)據(jù)樣本較少。黃志祥等［6］利用VMD對原始負(fù)荷序列進(jìn)行分解，然后采用長短期記憶神經(jīng)網(wǎng)絡(luò)（Long-Short Term Memory，LSTM）模型對分解后的序列進(jìn)行預(yù)測，最后對所有預(yù)測結(jié)果進(jìn)行求和，完成負(fù)荷預(yù)測，但沒有考慮天氣因素。吳松梅等［7］通過VMD方法將原始負(fù)荷序列分解為特征頻率不同的子序列，通過粒子群優(yōu)化的多核極限學(xué)習(xí)機(jī)進(jìn)行負(fù)荷預(yù)測，并考慮了日期特性，取得了較好的預(yù)測效果。李鑫等［8］采用MIC進(jìn)行影響負(fù)荷因素的初步篩選，之后利用隨機(jī)森林與遞歸特征消除進(jìn)行影響因素的進(jìn)一步篩選，最后采用雙層LSTM預(yù)測模型進(jìn)行預(yù)測，但只進(jìn)行了單步預(yù)測。楊海柱等［9］進(jìn)行短期負(fù)荷預(yù)測時，采用布谷鳥搜索算法進(jìn)行門控循環(huán)單元（gate recurrent unit，GRU）的超參數(shù)選取，提升了預(yù)測的精度。GRU在結(jié)構(gòu)上與LSTM相比，只包含了更新門與重置門，雖然結(jié)構(gòu)簡化了，但其本身性能卻與LSTM相當(dāng)［10］。

時間卷積網(wǎng)絡(luò)（temporal convolutional network，TCN）［11］，內(nèi)部包含擴(kuò)張因果卷積（dilated causal convolution，DCC）和殘差連接（residual connections，RC），前者可以擴(kuò)大感受野，減少網(wǎng)絡(luò)層數(shù)的增加，后者可以在深層訓(xùn)練時，改善網(wǎng)絡(luò)退化的問題，有助于模型的訓(xùn)練。劉輝等［12］通過采用Pearson系數(shù)法以及MIC，選出與負(fù)荷關(guān)聯(lián)性強(qiáng)的因素，然后用TCN-LSTM預(yù)測模型進(jìn)行短期負(fù)荷預(yù)測，該方法采用了氣象相似日集作為輸入，充分利用了相似日中的信息，提升了預(yù)測精度。郭玲等［13］提出了TCN與GRU相結(jié)合的短期負(fù)荷預(yù)測模型，首先采用TCN提取時序特征，然后再與非時序特征結(jié)合形成新的數(shù)據(jù)集，最后采用GRU進(jìn)行負(fù)荷預(yù)測，但數(shù)據(jù)集為單一的負(fù)荷數(shù)據(jù)。梁露等［14］依靠TCN的時序特征挖掘能力，以及并行運算能力，同時采用高效通道注意力模塊彌補(bǔ)TCN因為卷積核太小導(dǎo)致的感受野太小的缺陷，有效的提升了預(yù)測的效率，訓(xùn)練速度較快。

綜上所述，本文避免采用單個序列的預(yù)測及加權(quán)和的預(yù)測方式，而是提出一種新的VMD-TCN短期負(fù)荷預(yù)測算法，采用VMD方法分解原始負(fù)荷數(shù)據(jù)， 形成規(guī)律性較強(qiáng)的子序列，結(jié)合由MIC篩選出的天氣因素與原始負(fù)荷序列共同建立新的負(fù)荷數(shù)據(jù)集，采用TCN預(yù)測模型進(jìn)行短期負(fù)荷預(yù)測，以提高負(fù)荷預(yù)測精度。

1" 基本原理

1.1" VMD分解原理

VMD是一種非遞歸、自適應(yīng)分解估計方法，對于端部效應(yīng)和模態(tài)混淆問題，該方法可以很好的應(yīng)對，當(dāng)參數(shù)設(shè)置合適時，VMD的本征模態(tài)函數(shù)（Intrinsic Mode Function， IMF）較小，有利于降低建模的復(fù)雜性。VMD計算出的子信號頻段穩(wěn)定，不易受噪聲干擾，自帶去噪功能。

VMD的任務(wù)是將輸入信號f（t）分解為K個有限帶寬的模態(tài)函數(shù)uk（t），每個模態(tài)函數(shù)的中心頻率ωk各不相同，其帶寬以ωk為中心頻率緊密分布。

使用VMD進(jìn)行K階分解時，可以將其看作如下約束變分問題，如式（1）所示：

min{uk}{ωk}∑ktδ（t）+jπt*uk（t）e－jωkt22

s.t.∑kuk=f（t）（1）

式中：f（t）為原始輸入信號；δ（t）為單位沖擊函數(shù)；*為卷積運算。

引入拉格朗日乘法算子和二次懲罰因子，求解上述的約束變分問題的最優(yōu)解，得到的增廣拉格朗日函數(shù)如式（2）所示：

L（{uk}，{ωk}，λ）=α∑ktδ（t）+jπt*uk（t）e－jωkt22+

f（t）－∑kuk（t）22+〈λ（t），f（t）－∑kuk（t）〉（2）

式中：α為二次懲罰因子；λ（t）為拉格朗日乘法算子。

針對上式可使用交替方向法求解，迭代過程如下：

對于模態(tài)函數(shù)un+1k，當(dāng)ω≥0時其更新表達(dá)式如式（3）所示：

un+1k=argminuk∈Xf（t）－∑iui（t）+λ（t）222+

αtδ（t）+jπt*uk（t）e－jωkt22（3）

模態(tài)函數(shù)對應(yīng)的中心頻率ωn+1k更新表達(dá)式如式（4）所示：

ωn+1k=argminωktδ（t）+jπt*uk（t）e－jωkt22（4）

對式（3）和式（4）使用范數(shù)下的Parseval/Plancherel傅立葉等距變換，可以解得模態(tài)函數(shù)un+1k和模態(tài)函數(shù)對應(yīng)的中心頻率ωn+1k的頻域表達(dá)式（5）、（6）：

n+1k（ω）=

f^（ω）－∑i≠ki（ω）+

λ^（ω）21+2α（ω－ωk）2（5）

ωn+1k=∫∞0ω|k（ω）|2dω∫∞0|k（ω）|2dω（6）

式中：n+1k（ω）為當(dāng)前剩余信號的維納濾波；“∧”代表進(jìn)行一次傅里葉變換。

再利用式（5）、（6）更新拉格朗日乘數(shù)λ，如式（7）所示：

λ^n+1（ω）←λ^n（ω）+τf^（ω）－∑Kk=1n+1k（ω）（7）

式中τ為噪聲容忍度。

為了使VMD結(jié)果的精度，給定判別精度εgt;0，若滿足如下關(guān)系，則停止迭代。如式（8）所示：

∑k‖n+1k－nk‖22/‖nk‖22lt;ε（8）

1.2" 最大信息系數(shù)

MIC是一種檢測兩變量間潛在關(guān)系的方法，可以通過在二維平面繪制網(wǎng)格柵的方式來計算MIC。相較于Pearson 相關(guān)系數(shù)，MIC計算復(fù)雜度低，且魯棒性高。MIC計算方法描述如下。

在一個二元數(shù)據(jù)集D∈R2中，給定2個變量X={xi，i=1，2，…，n}和Y={yi，i=1，2，…，n}，n為樣本數(shù)，則其互信息I（X;Y）定義如式（9）所示：

I（X;Y）=∑yi∈Y∑xi∈Xp（xi，yi）log2p（xi，yi）p（xi）p（yi）（9）

式中：p（xi，yi）為X和Y的聯(lián)合概率密度；p（xi）為X的邊緣概率密度；p（yi）為Y的邊緣概率密度。

將數(shù)據(jù)集D中由xi和yi構(gòu)成的散點圖劃分為a行和b列的網(wǎng)格，記作G=（a，b）。每個網(wǎng)格中的互信息值記為ID|G（X;Y），從中找出最大互信息值用來對G進(jìn)行劃分，因此最大互信息值I*D|G（X;Y）的定義如（10）所示：

I*D|G（X;Y）=maxGID|G（X;Y）（10）

將得到的互信息標(biāo)準(zhǔn)化，求出MIC如式（11）、式（12）所示：

MD|G（X;Y）=I*D|G（X;Y）lgmin（a，b）（11）

F（D）MIC=maxablt;B（n）{MD|G（X，Y）}（12）

式中：MD|G（X;Y）為標(biāo)準(zhǔn)化的最大互信息值；lgmin（a，b）為標(biāo)準(zhǔn)化系數(shù)；F（D）MIC為最大信息系數(shù)；B（n）為網(wǎng)格分?jǐn)?shù)的上界，一般取B（n）=n0.6。

MIC取值范圍為［0，1］，變量間的MIC值越大，就說明變量間的關(guān)聯(lián)性越強(qiáng)，MIC值越小，則說明變量間的關(guān)聯(lián)性越弱［15］。

1.3" 時間卷積網(wǎng)絡(luò)

TCN由TCN殘差塊堆疊而成，該網(wǎng)絡(luò)模型可用于時間序列預(yù)測，其網(wǎng)絡(luò)結(jié)構(gòu)如下圖1所示。由該圖可知TCN網(wǎng)絡(luò)中包含多個TCN殘差塊，每個TCN殘差塊都有兩個重要參數(shù)，分別為卷積核k和擴(kuò)張系數(shù)d。其內(nèi)部有兩條路徑，TCN殘差塊的最終輸出為兩條路徑輸出的和，其中一條是：輸入經(jīng)過兩層相同的DCC再輸出。另一條路徑為RC，由殘差神經(jīng)網(wǎng)絡(luò)衍生而來，輸入通過一維卷積層直接到達(dá)輸出端。

TCN中包含因果卷積，因此，在TCN中的卷積運算沒有信息泄露。由于因果卷積本身存在感受野小的問題，隨著卷積層數(shù)的增多，感受到的信息不夠，因此為了增加感受野，選擇增大擴(kuò)張系數(shù)，進(jìn)而形成了DCC。DCC的計算如式（13）所示：

F（t）=∑u－1υ=0f（υ）Xt－dυ（13）

式中：F（t）表示擴(kuò)張卷積運算；Xt－dυ表示序列數(shù)據(jù)；f（υ）表示過濾器函數(shù)；u為輸入序列數(shù)據(jù)長度；υ為輸入序列數(shù)據(jù)中第υ個元素值。

1.4" 基于VMD-TCN的短期負(fù)荷預(yù)測框架

基于VMD-TCN短期電力負(fù)荷預(yù)測框架主要包含3個部分，其流程如圖2所示。

首先采用VMD方法對處理后的負(fù)荷數(shù)據(jù)進(jìn)行分解，之后對所有天氣影響因素根據(jù)MIC進(jìn)行相關(guān)性分析，選擇相關(guān)性最高的組合，再結(jié)合原始負(fù)荷序列以及分解后的子序列組成新的負(fù)荷數(shù)據(jù)集帶入到TCN預(yù)測模型中，進(jìn)行相應(yīng)的短期負(fù)荷預(yù)測。

1.5" 評價指標(biāo)

為了對預(yù)測結(jié)果進(jìn)行衡量，本文選擇平均絕對百分誤差（mean absolute percentage error，MAPE）和均方根誤差（root mean square error，RMSE）對預(yù)測結(jié)果進(jìn)行評價。具體計算如式（14）、式（15）所示：

MAPE=1n∑ni=1|xpredicted－xreal|xreal×100%（14）

RMSE=1n∑ni=1（xpredicted－xreal）2（15）

式中：xpredicted為負(fù)荷預(yù)測值；xreal為負(fù)荷真實值。

2" 數(shù)據(jù)準(zhǔn)備

本文所采用的負(fù)荷數(shù)據(jù)來自某低壓臺區(qū)2018-2020三年運行所產(chǎn)生的數(shù)據(jù)，每隔15 min采樣一次，每天有96個數(shù)據(jù)采樣點，共105217條數(shù)據(jù)。每個采樣點數(shù)據(jù)主要包含日期、負(fù)荷、溫度、相對濕度、降雨量、風(fēng)速以及蒸發(fā)量。

以預(yù)測時刻前 7 天的連續(xù)數(shù)據(jù)共672個采樣點的數(shù)據(jù)作為輸入，預(yù)測未來一天的負(fù)荷值，共96個數(shù)據(jù)點。數(shù)據(jù)集劃分方式為：前兩年數(shù)據(jù)作為訓(xùn)練集，訓(xùn)練集后10% 數(shù)據(jù)作為驗證集，用于模型參數(shù)配置，最后一年數(shù)據(jù)為測試集，用于測試。

2.1" 負(fù)荷數(shù)據(jù)缺失值處理

本文通過線性差值法來對缺失數(shù)據(jù)進(jìn)行求解。線性差值法的計算如式（16）所示：

yn+k=yn+yn+1－yni*k（16）

式中：yn和yn+1分別為對應(yīng)時刻的負(fù)荷值；yn+k為缺失值，且0lt;klt;i。

由于臺區(qū)負(fù)荷 的隨機(jī)性較強(qiáng)，所以本文并未對臺區(qū)負(fù)荷的異常數(shù)據(jù)（如突增突降等）進(jìn)行檢測，而是視為負(fù)荷的正常波動［16］。

2.2" 歸一化處理

為了避免各數(shù)據(jù)量綱不同，影響預(yù)測精度。因此，需對負(fù)荷數(shù)據(jù)統(tǒng)一進(jìn)行歸一化處理：

X*=X－XminXmax－Xmin（17）

式中：X*為歸一化處理后的數(shù)據(jù)；Xmin為數(shù)據(jù)集中的最小值；Xmax為數(shù)據(jù)集中的最大值。

3" 算法分析

3.1 "算法運行環(huán)境及參數(shù)配置

本文實驗所用電腦參數(shù)配置為Windows 10 64位操作系統(tǒng)，CPU為Inter Corei5-8400，內(nèi)存為8GB。程序基于python在軟件平臺Jupyter notebook上編寫，并采用了Keras［17］，Tensflow等擴(kuò)展庫。

所用的TCN預(yù)測結(jié)構(gòu)由3個殘差塊堆疊而成，每個殘差塊卷積核均為2，過濾器參數(shù)取值均為30，丟失率為0.01，擴(kuò)張系數(shù)取值為1、2和4，迭代次數(shù)為500。

3.2" 變分模態(tài)分解

采用 VMD對電力負(fù)荷數(shù)據(jù)進(jìn)行分解，其中分解層數(shù) K 的選擇會影響 VMD 方法的分解效果，本文利用中心頻率法確定分解層數(shù)K=4。其余主要參數(shù)，二次懲罰因子α=2000、初始中心頻率ω=0、收斂判據(jù)e=10-7。訓(xùn)練集部分負(fù)荷的分解結(jié)果如圖3所示。訓(xùn)練與測試時，均在統(tǒng)一時間窗進(jìn)行，取前T個連續(xù)時刻的VMD子序列。

3.3" 短期負(fù)荷預(yù)測影響因素分析

本文選取當(dāng)?shù)厝兆罡邷囟?、平均溫度、最低溫度、相對濕度、降雨量、最高風(fēng)速、平均風(fēng)速、蒸發(fā)量［18-19］作為負(fù)荷的影響因素進(jìn)行相關(guān)性分析，分別計算每天的MIC［20］值，之后取平均值作為最終的MIC值，負(fù)荷與天氣因素相關(guān)系數(shù)如表1所示。

根據(jù)MIC值的大小，本文選取最高溫度、平均溫度、最低溫度和相對濕度作為主要影響短期負(fù)荷預(yù)測的天氣因素進(jìn)行研究。

基于VMD-TCN的輸入數(shù)據(jù)集結(jié)構(gòu)如表2所示。

3.4" 基于VMD-TCN的短期負(fù)荷預(yù)測

現(xiàn)對測試集中的某一天進(jìn)行負(fù)荷預(yù)測，將得到的數(shù)據(jù)集作為TCN，VMD-TCN預(yù)測模型的輸入，得到如圖所示4的負(fù)荷預(yù)測曲線對比圖。以及如圖5所示的負(fù)荷預(yù)測絕對誤差對比圖。

由圖4、圖5可知，VMD-TCN組合預(yù)測算法的預(yù)測結(jié)果更優(yōu)，與大部分時段的實際值更為貼合，僅僅在負(fù)荷的峰谷值時，預(yù)測精度出現(xiàn)了相對來說較大的偏差，兩種預(yù)測算法的誤差如表3所示。

從表3可知，經(jīng)過VMD分解之后再作為TCN預(yù)測算法的輸入，其精度更高。

下面采用線性擬合的方法對兩種預(yù)測算法預(yù)測結(jié)果進(jìn)行線性擬合分析，得到如圖6和圖7所示的擬合曲線。

由圖6和圖7可知，VMD-TCN的線性擬合效果更好，預(yù)測值更多的集中在擬合曲線附近，擬合的評價指標(biāo)如表4所示，其中R2為擬合優(yōu)度，RSS為殘差平方和。由表4可知，VMD-TCN預(yù)測算法的R2更接近于1，同時RSS值也更小，說明 VMD-TCN算法的預(yù)測效果更好。

3.5" 不同算法的對比分析

采用多維度對比分析，驗證VMD-TCN算法的優(yōu)越性。

1）預(yù)測算法對比分析

同時進(jìn)行VMD-TCN、VMD-LSTM、VMD-GRU、LSTM和GRU的負(fù)荷預(yù)測實驗，得到如圖8所示的5種預(yù)測算法的負(fù)荷預(yù)測曲線，以及如表5所示5種預(yù)測算法的誤差評價指標(biāo)。

由圖8可知，5種預(yù)測算法中VMD-TCN的預(yù)測結(jié)果是最好的。由表5可知，VMD-TCN的預(yù)測效果要強(qiáng)于VMD-LSTM和VMD-GRU，結(jié)合采用VMD方法使得MAPE和RSME分別為1.65%和15.05kW。

2）線性擬合分析

對實際值與5種預(yù)測算法預(yù)測值進(jìn)行線性擬合處理，如圖9所示。由圖9可知，經(jīng)過VMD處理的預(yù)測值與實際值的擬合程度都有所提升。5種預(yù)測算法線性擬合的數(shù)據(jù)如表6所示，從表6可知，VMD-TCN預(yù)測模型最接近1，RSS最小，說明其預(yù)測效果是最好的。

3）不同數(shù)據(jù)集分析

為了驗證本文算法的有效性和可移植性，采用美國的UC Irvine School of Information and Computer Science數(shù)據(jù)集對算法進(jìn)行驗證，得到如圖10所示的5種預(yù)測算法的負(fù)荷預(yù)測曲線，以及如表7所示5種預(yù)測算法的誤差評價指標(biāo)。由圖10和表7可以看出，VMD-TCN的預(yù)測結(jié)果是最好的。

4" 結(jié)" 論

本文針對臺區(qū)內(nèi)短期負(fù)荷預(yù)測，提出了一種基于VMD-TCN的短期負(fù)荷預(yù)測方法，通過實例研究，得出以下結(jié)論。

1）通過包含DCC和RC的TCN進(jìn)行臺區(qū)短期負(fù)荷預(yù)測。預(yù)測結(jié)果說明了VMD-TCN預(yù)測模型可以有效的進(jìn)行日負(fù)荷預(yù)測，相較于TCN單獨預(yù)測，VMD方法有助于減小預(yù)測的誤差。

2）進(jìn)行了VMD-TCN、 LSTM、GRU 、VMD-LSTM和VMD-GRU五種預(yù)測模型的對比實驗，預(yù)測結(jié)果表明，VMD-TCN的預(yù)測效果是最好的，MAPE為1.64%，RMSE為15kW。此外，還采用了另一種數(shù)據(jù)集進(jìn)行算法的驗證，經(jīng)過兩個數(shù)據(jù)集的預(yù)測結(jié)果證明，VMD-TCN的預(yù)測效果是最好的。能夠提高臺區(qū)短期負(fù)荷預(yù)測的準(zhǔn)確性，便于臺區(qū)的優(yōu)化調(diào)度以及節(jié)能減排。

參 考 文 獻(xiàn)：

［1］" 徐巖， 張曉， 周興華， 等. 基于Prophet-LightGBM的臺區(qū)短期負(fù)荷預(yù)測方法［J/OL］. 華北電力大學(xué)學(xué)報（自然科學(xué)版）， 2023， 1.

XU Yan， ZHANG Xiao， ZHOU Xinghua， et al. Short-term Load Prediction Method for Platform Based on Prophet-Light GBM［J/OL］. Journal of North China Electric Power University （Natural Science Edition）， 2023， 1.

［2］" 程宇也.基于人工神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究［D］. 杭州：浙江大學(xué)， 2017.

［3］" RAFI S H， NAHID-AL-MASOOD， DEEBA S R， et al. A Short-Term Load Forecasting Method Using Integrated CNN and LSTM Network［J］. IEEE Access， 2021，（99）：1.

［4］" 劉倩倩， 劉鈺山， 溫?zé)铈茫?等. 基于PCC-LSTM模型的短期負(fù)荷預(yù)測方法［J］. 北京航空航天大學(xué)學(xué)報， 2022，48（22）：2529.

LIU Qianqian， LIU Yushan， WEN Yeting， et al. Short-term Load Forecasting Method Based on PCC-LSTM Model［J］. Journal of Beijing University of Aeronautics and Astronsutics， ， 2022，48（22）：2529.

［5］" 李筍， 王超， 張桂林， 等. 基于支持向量回歸的短期負(fù)荷預(yù)測［J］. 山東大學(xué)學(xué)報（工學(xué)版）， 2017， 47（6）： 52.

LI Sun， WANG Chao， ZHANG Guilin， et al. Short-term Load Forecasting Based on Support Vector Regression［J］. Journal of Shandong University （Engineering Science）， 2017， 47（6）： 52.

［6］" 黃志祥， 周莉. 基于VMD-LSTM的短期電力負(fù)荷預(yù)測研究［J］. 洛陽理工學(xué)院學(xué)報（自然科學(xué)版）， 2022， 32（3）： 76.

HUANG Zhixiang， ZHOU Li. Research on Short-term Power Load Forecasting Based on VMD-LSTM［J］. Journal of Luoyang University of Science and Technology （Natural Science Edition）， 2022， 32（3）： 76.

［7］" 吳松梅， 蔣建東， 燕躍豪， 等.基于VMD-PSO-多核極限學(xué)習(xí)機(jī)的短期負(fù)荷預(yù)測［J］. 電力系統(tǒng)及其自動化學(xué)報， 2022， 34（5）： 18.

WU Songmei， JIANG Jiandong， YAN Yuehao， et al. Short-term Load Prediction Based on VMD-PSO-Multi-core Extreme Learning Machine［J］. Journal of Electric Power Systems and Automation， 2022， 34（5）： 18.

［8］" 李鑫， 李海明， 馬健. 基于單步預(yù)測LSTM的短期負(fù)荷預(yù)測模型［J］. 計算機(jī)仿真， 2022， 39（6）： 98.

LI Xin， LI Haiming， MA Jian. Short-term Load Forecasting Model Based on Single Step Forecasting LSTM［J］. Computer Simulation， 2022， 39（6）： 98.

［9］" 楊海柱， 江昭陽， 李夢龍， 等. 基于CS-GRU模型的短期負(fù)荷預(yù)測方法研究［J］. 傳感器與微系統(tǒng)， 2022， 41（9）： 54.

YANG Haizhu， JIANG Zhaoyang， LI Menglong， et al. Research on Short-term Load Forecasting Method Based on CS-GRU Model［J］. Transducer and Microsystem， 2022， 41（9）： 54.

［10］趙兵， 王增平， 紀(jì)維佳， 等. 基于注意力機(jī)制的CNN-GRU短期電力負(fù)荷預(yù)測方法［J］. 電網(wǎng)技術(shù)， 2019， 43（12）： 4370.

ZHAO Bing， WANG Zengping， JI Weijia， et al. CNN-GRU Short-term Power Load Forecasting Method Based on Attention Mechanism［J］. Power Grid Technology， 2019， 43（12）： 4370.

［11］BAI S， KOLTER J Z， KOLTUN V. An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling［J］.Arxiv Preprint Arxiv： 1803.01271， 2018.

［12］劉輝， 凌寧青， 羅志強(qiáng)， 等. 基于TCN-LSTM和氣象相似日集的電網(wǎng)短期負(fù)荷預(yù)測方法［J］. 智慧電力， 2022， 50（8）： 30.

LIU Hui， LING Ningqing， LUO Zhiqiang， et al. Power Grid Short-term Load Forecasting Method Based on CN-LSTM and Meteorological Similar Day Set［J］. Smart Electric Power， 2022， 50（8）： 30.

［13］郭玲， 徐青山， 鄭樂. 基于TCN-GRU模型的短期負(fù)荷預(yù)測方法［J］. 電力工程技術(shù)， 2021， 40（3）： 66.

GUO Ling， XU Qingshan， ZHENG Le. Short-term Load Forecasting

Method Based on TCN-GRU Model［J］. Electric Power Engineering Technology， 2021， 40（3）： 66.

［14］梁露， 劉遠(yuǎn)龍， 劉韶華， 等. 基于ECA-TCN的電力系統(tǒng)短期負(fù)荷預(yù)測研究［J］. 電力系統(tǒng)及其自動化學(xué)報， 2022， 34（11）： 52.

LIANG Lu， LIU Yuanlong， LIU Shaohua， et al. Research on Short-term Load Forecasting of Power System Based on ECA-TCN［J］. Journal of Electric Power Systems and Automation， 2022， 34（11）： 52.

［15］吳田， 曹志博， 方玉群， 等. 基于最大信息系數(shù)的同塔雙回輸電線路感應(yīng)電影響因素敏感性分析［J］. 電測與儀表， 2021， 58（7）： 74.

WU Tian， CAO Zhibo， FANG Yuqun， et al. Sensitivity Analysis of Induced Current Influencing Factors of Double-loop Transmission Lines in the Same Tower Based on Maximum Information Coefficient［J］. Electrical Measurement and Instrumentation， 2021， 58（7）： 74.

［16］王繁， 王果， 周子軒， 等. LSTM 對配電臺區(qū)短期負(fù)荷 預(yù)測的適用性研究［J］. 電力系統(tǒng)及其自動化學(xué)報， 2021， 33（8）：41.

WANG Fan， WANG Guo， ZHOU Zixuan， et al. Research on the Applicability of LSTM to Short-term Load Forecasting in Distribution Station Area［J］. Journal of Electric Power Systems and Automation， 2021， 33（8）：41.

［17］吳文蔚， 王永鑫， 王甜利， 等. 基于Keras-YOLOv3網(wǎng)絡(luò)的梨小食心蟲檢測及計數(shù)方法研究［J］. 山西農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版）， 2023， 43（2）： 1.

WU Wenwei， WANG Yongxin， WANG Tianli， et al A Study on the Detection and Counting Method of Pear Carpivore Based on Keras YOLOv3 Network ［J］ Journal of Shanxi Agricultural University （Natural Science Edition）， 2023， 43 （2）： 1.

［18］TERRN-SERRANO G， MARTNEZ-RAMN M. Data Processing for Short-Term Solar Irradiance Forecasting using Ground-Based Infrared Images［J］. ResearchGate， 2021.

［19］ZANG H， XU R， CHENG L， et al. Residential Load Forecasting Based on LSTM Fusing Self-attention Mechanism with Pooling［J］. Energy， 2021（1）： 120682.

［20］崔樹銀， 汪昕杰. 基于最大信息系數(shù)和多目標(biāo)Stacking集成學(xué)習(xí)的綜合能源系統(tǒng)多元負(fù)荷預(yù)測［J］. 電力自動化設(shè)備， 2022，42（5）： 32.

CUI Shuyin， WANG Xinjie. Multivariate Load Forecasting for Comprehensive Energy Systems Based on Maximum Information Coefficient and Multi-objective Stacking Ensemble Learning ［J］ Power Automation Equipment， 2022， 42 （5）： 32.

（編輯：溫澤宇）