基于VMD-LSTM模型的短期電力負荷預測研究

季 陽

（安徽理工大學電氣與信息工程學院，安徽 淮南 232000）

0 引言

電力負荷預測能對電網后續的工作安排和資源保護起到很好的作用。傳統的電力負荷預測方法有時間序列法、趨勢外推法、回歸分析法等。

時間序列法運算速率快，主要應用于歷史負荷數據，對其周期性波動、持續性波動等進行預測，而遇到復雜的受影響較大的負荷序列，往往預測結果不好。

趨勢外推法主要對一些電力負荷數據的影響因素進行組合從而進行預測，此方法的預測模型單一，不需要過多的負荷數據，但易受到影響因素干擾，預測效果一般。

回歸分析方法在實際應用中建模相對簡單，然而面臨影響負荷數據的氣候變化的挑戰，天氣往往變化莫測，所以應用這種方法進行預測容易受到很多限制。

為分解一個含噪信號中的多個子信號并將它們重構為原來的信號，起到降噪效果，提高預測的準確度[1-2]，本文首先采用VMD方法將原始負荷數據分解為數個模態分量，隨后利用長短期記憶網絡對每個模態分量分別進行建模[3]。LSTM是一種特殊的循環神經網絡（RNN），RNN只具有短時記憶，因此在序列上存在一些長期依賴問題[4-6]，而LSTM是RNN的變體，在一定程度上可以解決梯度消失和梯度爆炸的問題，從而提高時間序列中的預測精度[7]。

因此，本文提出一種VMD搭配LSTM的組合模型來進行短期電力負荷預測，并最終驗證了VMD-LSTM模型的可行性。

1 VMD基本原理

VMD算法將第j條線路的暫態零序電流信號分解為K個中心角頻率為ω的本征模態函數，其中K為人為指定的模態分量個數。不同于EMD，VMD將每個IMF定義為調幅調頻函數，可表示為：

式中：uk（t）為模態分量；Ak（t）為瞬時幅值；φk（t）為相位函數；k為模態分量數；t為時間變量。

VMD算法可分為變分問題的構造和求解兩部分。變分問題的構造：

對暫態零序電流信號進行Hilbert變換，獲得K個模態分量的解析信號，并得到單邊頻譜：

式中：δ（t）為沖擊函數；ωk（t）為中心頻率。

計算式（3）梯度的平方范數，并估計每個模態信號的帶寬，構造變分問題如下：

式中：f為原始信號。

變分問題的求解：

將上述約束性變分問題轉化為非約束性變分問題，在式（4）中引入二次懲罰因子和拉格朗日乘法算子，擴展的拉格朗日表達式為：

式中：λ為拉格朗日乘子；α為二次懲罰系數。

2 LSTM神經網絡

長短期記憶網絡（Long-ShortTermMemory，LSTM）是循環神經網絡（RNN）的一種特殊變體，主要由遺忘門、輸入門、輸出門控制，其基本結構如圖1所示。

圖1 LSTM基本結構圖

運算過程如下：

式中：Wf、Wi、Wc、Wo分別為遺忘門、輸入門、細胞狀態和輸出門的矩陣；bf、bi、bc、bo分別為對應的偏置常量；σ為sigmoid函數；為臨時狀態。

3 算例分析

3.1 VMD-LSTM模型預測流程

VMD-LSTM模型預測流程如圖2所示。

圖2 VMD-LSTM流程圖

1）首先對原始電力負荷數據進行預處理；

2）對處理完的數據進行VMD分解，分解為5個模態分量和1個殘差分量；

3）將各個模態分量輸入LSTM，建立模型進行預測；

4）將各個預測結果相加得到最終的結果。VMD分解結果如圖3所示。

3.2 預測結果分析

為驗證本文所提模型的預測精準性，選取了某區電網的實際負荷數據，相隔15 min采樣負荷數據，對負荷數據做出預測。將其中70%的數據作為訓練集，30%的數據作為驗證集，對比GRU模型、LSTM模型和本文所提的VMD-LSTM模型的預測效果，結果如圖4所示。

圖4 各模型預測對比

3.3 誤差分析

為進一步確認預測模型的精準性，選用三個評價指標作為驗證指標，分別為均方根誤差（RMSE）、平均絕對百分比誤差（MAPE）和決定系數R2，公式如下：

式中：MSE為均方誤差；n為樣本數量；yi為真實值為預測值為樣本均值。

R2越大越好，而RMSE和MAPE越小則預測效果越好。

圖5為VMD分解的各個模態分量建立LSTM模型的誤差比較。

圖5 誤差對比

通過表1可以清晰地看到VMD-LSTM模型的均方根誤差和平均絕對百分比誤差都比另外兩個模型小，決定系數則大于另外兩個模型，所以本文提出的VMD-LSTM模型誤差小，預測精度更高，預測效果更好。

表1 各模型評價指標

4 結束語

為了提高負荷預測精度，本文提出了一種VMD和LSTM模型相結合的組合模型，該模型與基本的GRU模型和LSTM模型比較，預測效果較好，具有更高的預測精度。