基于SSA-Bi-LSTM神經(jīng)網(wǎng)絡(luò)的母線負(fù)荷預(yù)測(cè)方法

胡如樂(lè)，陳逸樅，張大海，張沛，王舒楊，喻蕓

(1.南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司, 廣東 廣州 510663；2.北京交通大學(xué) 電氣工程學(xué)院，北京 100044；3.天津弘源慧能科技有限公司，天津 300010)

母線負(fù)荷是指在一個(gè)較小的區(qū)域中，由變電站的主變壓器供給的綜合負(fù)荷。母線負(fù)荷基數(shù)小，而且可能直接匯聚不同種類和特性的負(fù)荷，如光伏、新能源電動(dòng)汽車等。母線負(fù)荷預(yù)測(cè)不僅影響發(fā)電計(jì)劃的制訂，也是電力市場(chǎng)進(jìn)行出清和形成實(shí)時(shí)電價(jià)的重要依據(jù)，因此提升母線負(fù)荷預(yù)測(cè)的精度具有十分重要的意義。

母線負(fù)荷預(yù)測(cè)的方法主要包括基于系統(tǒng)負(fù)荷配比的預(yù)測(cè)方法和基于母線負(fù)荷自身變化規(guī)律的預(yù)測(cè)方法?；谙到y(tǒng)負(fù)荷配比的預(yù)測(cè)方法是根據(jù)節(jié)點(diǎn)負(fù)荷的權(quán)值，按比例將上級(jí)系統(tǒng)負(fù)荷預(yù)測(cè)值分配到各母線上；但由于母線負(fù)荷易突變，以及量測(cè)裝置的逐漸完善，這種方法已經(jīng)逐漸被淘汰?；谀妇€負(fù)荷自身變化規(guī)律的預(yù)測(cè)方法包括數(shù)理統(tǒng)計(jì)方法和人工智能的方法，其本質(zhì)是通過(guò)學(xué)習(xí)歷史的負(fù)荷數(shù)據(jù)[1]以及相關(guān)因素之間的規(guī)律，來(lái)擬合預(yù)測(cè)模型的參數(shù)，最終實(shí)現(xiàn)負(fù)荷變化趨勢(shì)的預(yù)測(cè)。

典型的數(shù)理統(tǒng)計(jì)方法包括基于相似日的線性外推[2]、曲線外推[3]方法等，但統(tǒng)計(jì)方法在目前海量數(shù)據(jù)背景下難以處理非線性的時(shí)序序列預(yù)測(cè)任務(wù)。人工智能方法包括基于淺層學(xué)習(xí)的支持向量機(jī)(support vector regression，SVR)[4]、隨機(jī)森林[5]以及人工神經(jīng)網(wǎng)絡(luò)[6]等方法；文獻(xiàn)[7]采用最小二乘SVR對(duì)經(jīng)過(guò)集合經(jīng)驗(yàn)?zāi)B(tài)分解的數(shù)據(jù)進(jìn)行擬合?；谏顚訉W(xué)習(xí)的方法包括循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)和深度置信網(wǎng)絡(luò)[8]等；文獻(xiàn)[9]基于相空間重構(gòu)將母線負(fù)荷歷史數(shù)據(jù)投影到相空間中的動(dòng)點(diǎn)軌跡，將該結(jié)果輸入到深度置信網(wǎng)絡(luò)中，獲得母線負(fù)荷的預(yù)測(cè)值。相空間重構(gòu)與負(fù)荷分解的效果類似；文獻(xiàn)[10]采用經(jīng)驗(yàn)?zāi)B(tài)分解進(jìn)行負(fù)荷分解，然后利用堆棧式長(zhǎng)短期記憶(long short term memory，LSTM)神經(jīng)網(wǎng)絡(luò)模型捕捉分解后數(shù)據(jù)的時(shí)序關(guān)系。一些文獻(xiàn)對(duì)深層學(xué)習(xí)的不同神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)進(jìn)行了研究；文獻(xiàn)[11]通過(guò)CNN和LSTM神經(jīng)網(wǎng)絡(luò)線性堆疊方式進(jìn)行組合預(yù)測(cè)，滑窗后生成特征圖，利用CNN提取其特征，利用LSTM神經(jīng)網(wǎng)絡(luò)將生成的特征向量作為輸入量進(jìn)行預(yù)測(cè)；文獻(xiàn)[12]應(yīng)用CNN和門控循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行組合預(yù)測(cè)。

以上基于人工智能的方法都存在超參數(shù)選取的問(wèn)題，超參數(shù)的確定方法分為手動(dòng)尋優(yōu)和自動(dòng)尋優(yōu)。若對(duì)于神經(jīng)網(wǎng)絡(luò)參數(shù)的選擇問(wèn)題均采用手動(dòng)尋優(yōu)的方法，依賴經(jīng)驗(yàn)選取結(jié)果，耗費(fèi)時(shí)間長(zhǎng)并且不一定為最優(yōu)超參數(shù)組合。自動(dòng)尋優(yōu)方法包括網(wǎng)格搜索、隨機(jī)搜索和智能算法等。文獻(xiàn)[13]采用網(wǎng)格搜索方法對(duì)隨機(jī)森林中的決策樹(shù)數(shù)量和候選分裂屬性數(shù)進(jìn)行優(yōu)化，但網(wǎng)格搜索成本太高，單次訓(xùn)練的代價(jià)太大。隨機(jī)搜索與網(wǎng)格搜索類似，其方法本質(zhì)上都是對(duì)所有可能的結(jié)果進(jìn)行窮舉，相較于網(wǎng)格搜索成本略低，但隨著尋優(yōu)超參數(shù)數(shù)量和取值范圍的增加，搜索空間呈指數(shù)型增長(zhǎng)。文獻(xiàn)[14]采用貝葉斯優(yōu)化方法對(duì)XGBoost模型超參數(shù)進(jìn)行優(yōu)化，貝葉斯優(yōu)化方法是考慮之前的參數(shù)信息，迭代更新先驗(yàn)計(jì)算結(jié)果，但不適合離散和高維空間，存在算法不容易并行化等問(wèn)題，一旦超參數(shù)數(shù)量維度增加，貝葉斯優(yōu)化方法求解就十分困難。在母線負(fù)荷預(yù)測(cè)問(wèn)題逐漸高維非線性化的形式下，目前沒(méi)有一種尋優(yōu)算法能適用于所有問(wèn)題，所以新型智能優(yōu)化算法的研究是十分必要的。文獻(xiàn)[15]提出了基于XGBoost和Stacking融合的母線負(fù)荷組合預(yù)測(cè)模型，并使用粒子群優(yōu)化(particle swarm optimization，PSO)算法對(duì)參數(shù)進(jìn)行優(yōu)化，文獻(xiàn)[16]采用改進(jìn)果蠅優(yōu)化算法和廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行組合預(yù)測(cè)，但這2種算法均存在收斂速度慢和容易陷入局部最優(yōu)解的問(wèn)題。

基于現(xiàn)有研究基礎(chǔ)，針對(duì)母線負(fù)荷的波動(dòng)性大和不確定性強(qiáng)的問(wèn)題，本文提出一種基于麻雀搜索算法(sparrow search algorithm，SSA)優(yōu)化的雙向長(zhǎng)短時(shí)記憶(Bi-directional LSTM，Bi-LSTM)神經(jīng)網(wǎng)絡(luò)的母線負(fù)荷預(yù)測(cè)方法。該方法充分利用Bi-LSTM神經(jīng)網(wǎng)絡(luò)捕獲先驗(yàn)知識(shí)信息的能力，然后利用SSA進(jìn)行優(yōu)化。最后，以實(shí)際10 kV母線數(shù)據(jù)對(duì)SSA-Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證，并與Bi-LSTM神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對(duì)比，驗(yàn)證SSA-Bi-LSTM的預(yù)測(cè)效果。

1 LSTM神經(jīng)網(wǎng)絡(luò)模型

LSTM神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)的變體網(wǎng)絡(luò)，處理時(shí)間序列的長(zhǎng)程依賴問(wèn)題有很好的效果，被普遍應(yīng)用于時(shí)間序列的預(yù)測(cè)中，可以解決訓(xùn)練過(guò)程中產(chǎn)生的梯度爆炸和消失問(wèn)題，實(shí)現(xiàn)對(duì)負(fù)荷本身時(shí)序特性、影響因素與負(fù)荷之間復(fù)雜關(guān)系的建模，預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性較高。

1.1 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)如圖1所示。輸入門、輸出門和遺忘門組成1個(gè)單向LSTM單元，有3個(gè)輸入數(shù)據(jù)：上一時(shí)刻(t-1)的單元輸出ht-1、上一時(shí)刻的單元狀態(tài)Ct-1，以及本時(shí)刻(t)的輸入xt。遺忘門根據(jù)ht-1和xt選擇性地提取記憶單元中的信息，其數(shù)學(xué)表達(dá)式為

圖1 LSTM神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)

ft=σ(W[ht-1,xt])+b.

(1)

式中：ft為遺忘門的輸出函數(shù)；σ(·)為激活函數(shù),此處選用sigmoid函數(shù)；W和b分別為遺忘門權(quán)重、偏置；[ ]表示將2個(gè)向量進(jìn)行拼接。

輸入門是針對(duì)保存到狀態(tài)單元里的信息計(jì)算，根據(jù)ht-1和xt向記憶單元中新增信息，其數(shù)學(xué)表達(dá)式為

it=σ(Wi[ht-1,xt])+bi,

(2)

(3)

記憶單元更新后的輸出

(4)

輸出門的數(shù)學(xué)表達(dá)式為：

ot=σ(Wo[ht-1,xt])+bo,

(5)

ht=ot·tanhCt.

(6)

式中：ot為輸出門的輸出函數(shù)；Wo、bo分別為輸出門權(quán)重、偏置。

1.2 Bi-LSTM神經(jīng)網(wǎng)絡(luò)

單向LSTM神經(jīng)網(wǎng)絡(luò)可以利用過(guò)去的數(shù)據(jù)信息解決長(zhǎng)程依賴的問(wèn)題，而B(niǎo)i-LSTM神經(jīng)網(wǎng)絡(luò)的輸出與前后數(shù)據(jù)元素均有聯(lián)系，充分利用數(shù)據(jù)信息的交互[17]，反復(fù)利用權(quán)重參數(shù)，降低了對(duì)母線原始負(fù)荷數(shù)據(jù)的要求。Bi-LSTM神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)如圖2所示，與LSTM結(jié)構(gòu)不同的是增加了數(shù)據(jù)的反向傳播層，相當(dāng)于前向LSTM和反向LSTM的組合，并且都連接輸入層和輸出層。輸出值為前向、反向數(shù)據(jù)的加權(quán)組合。一維序列的母線負(fù)荷數(shù)據(jù)以及天氣數(shù)據(jù)作為x序列輸入。圖2中，Wf、Wb分別為前向?qū)雍头聪驅(qū)拥臋?quán)重，ω1—ω8為Bi-LSTM神經(jīng)網(wǎng)絡(luò)每個(gè)時(shí)刻被重復(fù)利用的8個(gè)權(quán)重值。

圖2 Bi-LSTM神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)

需要注意的是，雙向的計(jì)算方式是隱藏層先儲(chǔ)存前向?qū)?到t時(shí)刻的輸出，再結(jié)合反向?qū)觮到0時(shí)刻的反向計(jì)算值，最終的輸出是二者的加權(quán)組合。具體計(jì)算過(guò)程如下：

(7)

(8)

(9)

2 Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化及預(yù)測(cè)

2.1 SSA原理

SSA[18]是一種群體智能優(yōu)化算法，于2020年提出，與蟻群算法、PSO算法和人工蜂群算法等群體智能優(yōu)化算法相似，其核心思想都是模擬群體動(dòng)物的行為。SSA求解流程如圖3所示。

圖3 SSA求解流程

SSA將麻雀的群體行為分為發(fā)現(xiàn)者、加入者、偵察者，分別模擬麻雀的覓食行為和反捕食行為。三者的具體行為導(dǎo)則如下：

步驟1：在SSA中，發(fā)現(xiàn)者作為適應(yīng)度值高的麻雀在搜索過(guò)程中會(huì)優(yōu)先獲取食物，擁有更大的覓食搜索范圍。加入者會(huì)向發(fā)現(xiàn)者靠攏，尋找覓食方向。

步驟2：在覓食過(guò)程中，圍繞在發(fā)現(xiàn)者周圍進(jìn)行覓食的加入者會(huì)與發(fā)現(xiàn)者爭(zhēng)奪食物，以提高自己的捕食率，從而轉(zhuǎn)化為發(fā)現(xiàn)者，而饑餓的加入者會(huì)到其他地方覓食，尋找更好的發(fā)現(xiàn)者。

預(yù)先隨機(jī)設(shè)定預(yù)警值和預(yù)警閾值，當(dāng)預(yù)警值超過(guò)上限，代表麻雀種群意識(shí)到捕食者的危險(xiǎn)，會(huì)及時(shí)發(fā)出警報(bào)信號(hào)，種群進(jìn)行反捕食行為,即位置移動(dòng)，處于種群外圍的麻雀和處于種群中心的麻雀都會(huì)進(jìn)行位置移動(dòng)，種群外圍的麻雀會(huì)不斷調(diào)整以獲得更好位置，種群中心的麻雀會(huì)向鄰近麻雀靠攏。

發(fā)現(xiàn)者位置轉(zhuǎn)移更新公式為：

(10)

加入者位置轉(zhuǎn)移更新公式為：

(11)

偵察者位置轉(zhuǎn)移更新公式為：

(12)

當(dāng)mi>mg時(shí)，位置在種群邊緣的麻雀比較危險(xiǎn)，面臨捕食者的威脅較大；當(dāng)mi=mg時(shí)，位置在種群中間的麻雀收到警報(bào)，需要與鄰近麻雀抱團(tuán)以減少風(fēng)險(xiǎn)。

2.2 SSA優(yōu)化Bi-LSTM神經(jīng)網(wǎng)絡(luò)

Bi-LSTM神經(jīng)網(wǎng)絡(luò)雖然在LSTM神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提高了信息提取的能力，但在訓(xùn)練時(shí)仍存在超參數(shù)難以確定的問(wèn)題。文獻(xiàn)[19]通過(guò)基準(zhǔn)函數(shù)測(cè)試表明，SSA在穩(wěn)定性、確定全局最優(yōu)解和避免局部最小值等各個(gè)方面都優(yōu)于PSO[20]、遺傳、灰狼、鯨魚(yú)和蜻蜓等其他智能優(yōu)化算法。

為了提高模型的性能和精確度，解決Bi-LSTM神經(jīng)網(wǎng)絡(luò)超參數(shù)難以確定的問(wèn)題，首先對(duì)母線負(fù)荷數(shù)據(jù)進(jìn)行異常值檢測(cè)，辨識(shí)不良數(shù)據(jù)并進(jìn)行處理[21-22]，包括缺失值填充和異常值處理等。其次在數(shù)據(jù)預(yù)處理后利用SSA局部搜索能力強(qiáng)、收斂速度快的特點(diǎn)進(jìn)行超參數(shù)尋優(yōu)，隨機(jī)初始化麻雀種群位置，設(shè)置生產(chǎn)者比例和尋優(yōu)維度，設(shè)置不同預(yù)警值時(shí)發(fā)現(xiàn)者的位置更新方式并計(jì)算適應(yīng)度值，設(shè)置不同適應(yīng)度值的跟隨者位置更新方式，得到最終位置即為最優(yōu)解。通過(guò)SSA優(yōu)化得到網(wǎng)絡(luò)的最優(yōu)學(xué)習(xí)率、前向和反向隱含層神經(jīng)元數(shù)目和迭代次數(shù)，最后利用優(yōu)化得到的超參數(shù)對(duì)Bi-LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過(guò)設(shè)置好的神經(jīng)元數(shù)目進(jìn)行前向和后向迭代學(xué)習(xí)，并進(jìn)行測(cè)試集測(cè)試和誤差計(jì)算。SSA-Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)流程如圖4所示。

圖4 SSA-Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)流程

3 算例分析

本文采用i7-7700HQ處理器，運(yùn)用python語(yǔ)言進(jìn)行編寫，采用Tensorflow作為框架，pycharm作為編譯器。為驗(yàn)證SSA優(yōu)化模型的有效性，采用華北某地區(qū)的母線負(fù)荷數(shù)據(jù)進(jìn)行驗(yàn)證，選取2018年1—12月的負(fù)荷數(shù)據(jù)，采樣時(shí)間間隔為15 min，每日96個(gè)采樣點(diǎn)，共計(jì)35 136個(gè)數(shù)據(jù)樣本。將前10個(gè)月的樣本劃分為訓(xùn)練集，后2個(gè)月作為測(cè)試集，對(duì)于模型進(jìn)行評(píng)估。對(duì)于劃分好的訓(xùn)練與測(cè)試集，采用滑動(dòng)窗口的方式進(jìn)行預(yù)測(cè)，根據(jù)窗口長(zhǎng)度w對(duì)輸入數(shù)據(jù)進(jìn)行滑動(dòng)處理，即前w個(gè)采樣數(shù)據(jù)作為特征，第w+1個(gè)采樣數(shù)據(jù)作為標(biāo)簽，將w個(gè)特征作為模型的輸入，得到下個(gè)時(shí)間點(diǎn)的預(yù)測(cè)值，然后滑動(dòng)窗口，將預(yù)測(cè)值作為新特征進(jìn)行預(yù)測(cè)。同時(shí)考慮溫度、濕度和降雨量這3類對(duì)母線負(fù)荷影響最大的天氣因素，將這些影響因素與負(fù)荷數(shù)據(jù)一同作為模型的輸入。為了消除量綱影響，在數(shù)據(jù)預(yù)處理中用sklearn進(jìn)行MinMaxScaler歸一化，將數(shù)據(jù)壓縮至0～1區(qū)間。

本文將預(yù)測(cè)值與真實(shí)值的均方誤差(mean-square error，MSE)作為SSA的適應(yīng)度值，圖5和圖6為SSA和PSO算法的適應(yīng)度值曲線。

圖5 SSA適應(yīng)度值曲線

圖6 PSO算法適應(yīng)度值曲線

由圖6可見(jiàn)SSA的適應(yīng)度值在10-5量級(jí)，最優(yōu)適應(yīng)度值能達(dá)到1.958 5×10-5，收斂精度更高，說(shuō)明SSA優(yōu)化得到的超參數(shù)組合更加合理，并且達(dá)到最小適應(yīng)度值的迭代次數(shù)更少。將SSA得到的最優(yōu)超參數(shù)在Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，訓(xùn)練中采用MSE指標(biāo)作為損失函數(shù)，采用Adam優(yōu)化器進(jìn)行優(yōu)化。最優(yōu)超參數(shù)見(jiàn)表1。

表1 最優(yōu)超參數(shù)

采用時(shí)間窗口滑動(dòng)的預(yù)測(cè)策略，將窗口長(zhǎng)度設(shè)置為96，對(duì)12月29、30日共192個(gè)預(yù)測(cè)點(diǎn)的預(yù)測(cè)結(jié)果進(jìn)行展示，將12月28日的96個(gè)采樣數(shù)據(jù)點(diǎn)作為特征輸入模型中，得到12月29日第1個(gè)采樣數(shù)據(jù)點(diǎn)的預(yù)測(cè)值，然后繼續(xù)滑動(dòng)時(shí)間窗口，依次預(yù)測(cè)出12月29、30日所有數(shù)據(jù)點(diǎn)的預(yù)測(cè)值。在Tensorflow環(huán)境下對(duì)本文提出模型進(jìn)行驗(yàn)證，并將實(shí)驗(yàn)結(jié)果與其他模型進(jìn)行對(duì)比，各神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)對(duì)比結(jié)果如圖7至圖10所示。

圖7 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)曲線

圖8 LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)曲線

圖9 Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)曲線

圖10 SSA-Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)曲線

可以看出，這幾種神經(jīng)網(wǎng)絡(luò)模型均能對(duì)母線負(fù)荷的趨勢(shì)進(jìn)行預(yù)測(cè)，但BP神經(jīng)網(wǎng)絡(luò)存在一些峰谷期間誤差較大的現(xiàn)象，SSA-Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型的擬合準(zhǔn)確度較高。

采用PSO算法對(duì)Bi-LSTM神經(jīng)網(wǎng)絡(luò)的相同超參數(shù)進(jìn)行優(yōu)化，PSO-Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型結(jié)果曲線如圖11所示。

圖11 PSO-Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)曲線

本文采用平均絕對(duì)百分誤差(mean absolute percentage error，MAPE)和均方根誤差(root mean square error，RMSE)作為模型精度的評(píng)價(jià)指標(biāo)，計(jì)算公式為：

(13)

(14)

式中：eMAPE、eRMSE分別為MAPE、RMSE的值；v為預(yù)測(cè)點(diǎn)個(gè)數(shù)；aq為第q個(gè)預(yù)測(cè)點(diǎn)的電力負(fù)荷預(yù)測(cè)值；bq為第q個(gè)預(yù)測(cè)點(diǎn)的電力負(fù)荷真實(shí)值。MAPE和RMSE的值越小代表模型的預(yù)測(cè)精度越高。各模型預(yù)測(cè)結(jié)果誤差見(jiàn)表2。

表2 各模型預(yù)測(cè)誤差

由表2可以看出：本文所提出的SSA-Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果的MAPE指標(biāo)下降至0.78%，RMSE指標(biāo)下降至48.293 kW，這主要是由于SSA-Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)母線負(fù)荷規(guī)律的捕捉能力更強(qiáng)；PSO-Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)于母線峰谷負(fù)荷的預(yù)測(cè)存在較大的誤差，原因是PSO算法存在陷入局部最優(yōu)解的問(wèn)題，優(yōu)化Bi-LSTM神經(jīng)網(wǎng)絡(luò)所得到的超參數(shù)不是最優(yōu)超參數(shù)的組合，存在一定偏差。SSA-Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型與其他模型相比預(yù)測(cè)精度最高，預(yù)測(cè)值更加平穩(wěn)，貼近真實(shí)負(fù)荷曲線，各神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)曲線與真實(shí)負(fù)荷曲線對(duì)比如圖12所示。

圖12 各神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)曲線與真實(shí)負(fù)荷曲線對(duì)比

4 結(jié)論

本文提出基于SSA-Bi-LSTM神經(jīng)網(wǎng)絡(luò)的母線負(fù)荷預(yù)測(cè)方法，針對(duì)母線負(fù)荷波動(dòng)性大難以預(yù)測(cè)和神經(jīng)網(wǎng)絡(luò)超參數(shù)難以確定的問(wèn)題，采用Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)母線負(fù)荷數(shù)據(jù)進(jìn)行信息提取，增加信息資源的先驗(yàn)知識(shí)收集，再利用SSA對(duì)Bi-LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，使用母線負(fù)荷樣本進(jìn)行訓(xùn)練；以實(shí)際10 kV母線負(fù)荷數(shù)據(jù)對(duì)文中方法進(jìn)行實(shí)例驗(yàn)證，并將實(shí)驗(yàn)結(jié)果與Bi-LSTM神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)LSTM神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)等進(jìn)行對(duì)比，得到以下結(jié)論：

a)相較于其他神經(jīng)網(wǎng)絡(luò)模型，本文針對(duì)母線負(fù)荷預(yù)測(cè)的特點(diǎn)，通過(guò)引入Bi-LSTM神經(jīng)網(wǎng)絡(luò)，更好地提取母線負(fù)荷序列信息，從而提升了預(yù)測(cè)精度。

b)SSA考慮了群體行為多種可能因素，能快速在最優(yōu)解附近收斂，有效跳出局部最優(yōu)，全局搜索能力強(qiáng)，尋優(yōu)精度更高，適用于高維復(fù)雜場(chǎng)景的尋優(yōu)，利用SSA尋優(yōu)可以得到最優(yōu)學(xué)習(xí)率、隱含層神經(jīng)元數(shù)目和迭代次數(shù)等。多次實(shí)驗(yàn)結(jié)果表明SSA具有良好的魯棒性，可以有效提高母線負(fù)荷預(yù)測(cè)準(zhǔn)確率。

下一步研究工作考慮加入更多超參數(shù)并利用SSA進(jìn)行優(yōu)化，在母線負(fù)荷預(yù)測(cè)問(wèn)題上針對(duì)性地對(duì)算法進(jìn)行改進(jìn)，與更多神經(jīng)網(wǎng)絡(luò)模型進(jìn)行結(jié)合。