基于WOA-BiLSTM 模型的電力負荷預測

藍俊歡，宋 倩

（1.廣西電網有限責任公司河池供電局，廣西 河池 546300；2.河池學院大數據與計算機學院，廣西 河池 546300）

電力負荷預測是電力系統供需形勢分析的根本，高效且精準預測電力負荷既有助于電力能源的合理分配，又能實時監控電力供需平衡，從而保障電力系統安全穩定運行[1]。短期電力負荷預測是電力負荷預測的重要組成部分，它是對未來某一時間段內各個時刻的用電負荷值的預測[2]。而今，學者們對電力負荷預測做了大量研究，又將CNN 與BiLSTM 組合構建了CNN-BiLSTM預測模型[3]；BiLSTM 模型是對單向LSTM 網絡的擴展，具備雙向時序特征，與LSTM 和CNN-LSTM 相比，CNN-BiLSTM提升預測的精度更優[4]。另外，將LSTM 與XGBoost 模型組合進行預測，預測精度均高于單一預測模型[5]。鑒于BiLSTM 的優勢，結合已有研究成果，本文提出一種基于WOA-BiLSTM 的電力負荷預測方法。首先，WOA 算法對BiLSTM 模型進行優化，找到最優網絡參數。然后傳參給BiLSTM 模型進行預測。最后，通過廣西某地區的電力實測值進行實驗，檢驗所提方法的有效性。

1 預測模型的基本原理

1.1 BiLSTM 原理

BiLSTM 采用正向LSTM 層和反向LSTM 層相連接，同時提取過去和未來的隱藏層信息來實現對當前時刻的預測，從而提升模型的預測精度。電力負荷數據在單向LSTM 網絡中訓練按從前往后進行，訓練方式對數據利用率低，難以充分挖掘數據內在特征。而BiLSTM雙向網絡對過去和未來的隱藏層狀態進行遞歸傳播，使信息提取更充分，因而BiLSTM 模型預測精度更精準。其網絡結構如圖1 所示。

圖1 BiLSTM 網絡結構圖

1.2 WOA 算法原理

WOA 是一種模擬座頭鯨圍捕獵物行為的群體智能優化算法[6]，主要包含包圍獵物、氣泡網攻擊和搜索獵物三大過程。

1.包圍獵物：鯨魚先確定目標獵物范圍，即局部最優的捕食方向，設置好最優獵物位置進行包圍，位置更新如公式（1）、（2）：

式中，X 為鯨魚位置向量；X*為當前最優獵物的位置向量；t 為當前迭代輪數；A·D1為鯨魚到獵物的距離。其中，A 和C 為系數向量，作用是控制鯨魚的移動方式，可通過公式（3）-（5）計算得出。

式中，a 為從2 線性減少到0 的收斂因子；r 為[0,1]之間的隨機數；tmax為當前迭代的最大值。

2.起泡網攻擊：鯨魚在攻擊時有收縮包圍機制和螺旋更新位置機制兩種[7]。本文假設兩種機制各占0.5的概率，鯨魚更新位置如公式（6）、（7）：

3.搜索獵物：當|A|＜1 時，鯨魚開始攻擊包圍獵物；當|A|＞1 時，鯨魚隨機探索新位置，然后選擇新的獵物，隨機尋優如公式（8）、（9）：

2 WOA-BiLSTM 組合預測模型

2.1 WOA 優化BiLSTM 算法流程

首先，對原始數據進行預處理，BiLSTM 模型讀取數據集中的數據。其次，WOA 初始化種群參數，設置鯨魚總群位置上下界、種群數量和鯨魚個體空間維度。然后傳參給BiLSTM 模型，輸入訓練集進行訓練，在測試集中預測，得出真實值和預測值間的誤差。最后，WOA 算法不斷迭代，參數繼續傳參給BiLSTM 模型進行再訓練，直到找到最優網絡超參數和最優解傳遞給模型。算法流程如圖2 所示。

圖2 WOA-BiLSTM 算法流程圖

2.2 數據預處理及誤差指標

2.2.1 數據歸一化

本文選用廣西某地區的實際電力2014年1月1日—2015 年1 月10 日共1 年10 天的負荷數據，一天采集96 個樣本點，時間間隔為15min。采用最小—最大標準化將數據歸一化到[0,1]，計算如公式（10）所示。

式中，Xi是第i 個時間點的負荷數據；是Xi歸一化后的值；Xmax和Xmin分別為實測數據中的最大值和最小值。當歸一化后，利用公式（11）對其進行反歸一化。

2.2.2 誤差評價指標

本文采用mape、rmse、mae 來評價預測模型的性能。mape、rmse 及mae 的值越小，代表負荷預測越準確，指標計算如公式（12）-（14）所示。

式中，y(t)為t 時刻真實負荷值；y*(t)為t 時刻預測負荷值；n 為負荷數據總數。

3 WOA-BiLSTM 模型預測結果分析

3.1 各個神經網絡模型對比

將選取的數據分別輸入BP、LSTM、BiLSTM 模型中，依次對1 月9 日和1 月10 日的負荷進行預測，BiLSTM較BP 在mape、rmse、mae 降低了0.6097%、30.64MW、0.2370%，較LSTM 在mape、rmse、mae 也降低了0.0267%、1.22MW、0.0098%，BiLSTM 模型較BP、LSTM 模型有更好的預測性能。如表1 所示。

表1 各個神經網絡模型的評價指標

3.2 WOA 優化BiLSTM 前后對比

利用WOA對模型參數進行優化后，mape降低了0.0541%，rmse 減少了30.9MW，表明WOA 算法能為BiLSTM 尋到較優的參數，模型預測效果更好。如表2 所示。

表2 WOA 優化前后誤差對比

4 結論

本文構建WOA-BiLSTM 的短期電力負荷預測模型，其優勢在于：既考慮了溫度、濕度、降雨量等多維因素對負荷預測的影響，從而提升了待測日的預測精度，又應用WOA 算法優化BiLSTM 模型找到一組網絡超參數，實現了超參數的優化選擇，使預測精度更優。