基于EMD-CNN-LSTM混合模型的短期電力負(fù)荷預(yù)測

徐 巖， 向益鋒， 馬天祥

(1.華北電力大學(xué) 電氣與電子工程學(xué)院， 河北 保定 071003；2.新能源電力系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué))， 河北 保定 071003；3.國網(wǎng)河北省電力有限公司電力科學(xué)研究院， 河北 石家莊 050021)

0 引 言

電力負(fù)荷預(yù)測在現(xiàn)代電力系統(tǒng)安全穩(wěn)定經(jīng)濟(jì)運(yùn)行中發(fā)揮愈來愈重要的作用，精確的電力負(fù)荷預(yù)測可為一個地區(qū)電力系統(tǒng)發(fā)展策劃做出有效指導(dǎo)，保證電網(wǎng)可靠運(yùn)行、減小成本和安全穩(wěn)定。負(fù)荷預(yù)測精度緊密聯(lián)系電網(wǎng)供需平衡，也為現(xiàn)行市場下電網(wǎng)編制調(diào)度計劃、營銷計劃和供電計劃提供信賴依據(jù)[1，2]。在另一方面，隨著電網(wǎng)的不斷擴(kuò)建，電氣設(shè)備接入增多，信息化程度不斷增高，智能電網(wǎng)對負(fù)荷采集數(shù)據(jù)愈來愈精準(zhǔn)，為負(fù)荷預(yù)測提供可靠、海量數(shù)據(jù)集，也為深度學(xué)習(xí)的應(yīng)用創(chuàng)立基礎(chǔ)。

電力負(fù)荷預(yù)測的準(zhǔn)確性受到多個影響因素制約，得到絕對預(yù)測方法相對困難，因此提升模型的預(yù)測準(zhǔn)確性顯得尤為重要。電力負(fù)荷一般時序性和非線性特點(diǎn)較為突出，針對以上特點(diǎn)，國內(nèi)外學(xué)者在短期負(fù)荷預(yù)測開展大量深入研究，模型由簡到繁，由單一方法到多種方式組合，其大體上分為傳統(tǒng)預(yù)測方法和現(xiàn)代預(yù)測方法。傳統(tǒng)預(yù)測方法主要是回歸預(yù)測、時間預(yù)測法及指數(shù)平滑法?；貧w預(yù)測主要依據(jù)自、因變量間的相關(guān)性，確定回歸方程，此方法擬合速度較快，對數(shù)據(jù)準(zhǔn)確性要求極高，對于非線性序列擬合效果較差[3]。時間序列法主要通過構(gòu)建與時間相關(guān)的模型，較為傳統(tǒng)的時間序列法有：自回歸(AR)模型、滑動-平均模型(MA)、積分自回歸型滑動(ARIMA)模型[4，5]，這些模型對于樣本數(shù)據(jù)的需求較少，同樣要求數(shù)據(jù)序列較為平穩(wěn)。指數(shù)平滑法對序列出現(xiàn)的隨機(jī)波動值消除效果較好，但若波動過大，會影響擬合精度[6]。第二大類是現(xiàn)代預(yù)測方法，文獻(xiàn)[7]提出基于專家預(yù)測和模糊貝葉斯的預(yù)測方法，但對于非線性負(fù)荷序列自我修正較困難，預(yù)測精度較低。文獻(xiàn)[8-10]運(yùn)用反向BP網(wǎng)絡(luò)進(jìn)行預(yù)測，文獻(xiàn)[11]運(yùn)用隨機(jī)森林算法，文獻(xiàn)[12]構(gòu)建關(guān)于BP-ANN預(yù)測模型，文獻(xiàn)[13]將混合內(nèi)核概念引入經(jīng)典學(xué)習(xí)機(jī)模型，此外還有優(yōu)化支持向量機(jī)(SVM)[14]、小波分析預(yù)測法[15]等。這些預(yù)測方法均能有效提升預(yù)測精度，但共同存在缺乏對負(fù)荷序列時序關(guān)聯(lián)的考慮的問題，隨著深度學(xué)習(xí)技術(shù)逐漸被人們熟知，長短期記憶網(wǎng)絡(luò)(LSTM)作為一種非線性循環(huán)網(wǎng)絡(luò)，因其在時序關(guān)聯(lián)性、長期記憶力方面的優(yōu)勢及對非線性數(shù)據(jù)較強(qiáng)自適應(yīng)學(xué)習(xí)能力在近期越來越多運(yùn)用到預(yù)測領(lǐng)域，LSTM雖可反應(yīng)數(shù)據(jù)中長期歷史過程[16]，但其較難提取對非線性數(shù)據(jù)間潛在聯(lián)系與隱藏信息。

為進(jìn)一步提高短期負(fù)荷預(yù)測精度，本文提出一種基于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)及長短期記憶網(wǎng)絡(luò)(LSTM)的混合模型短期負(fù)荷預(yù)測方法，簡稱EMD-CNN-LSTM混合模型。此模型結(jié)合EMD和CNN以及LSTM各自的優(yōu)點(diǎn)長處，先將負(fù)荷序列視作一種非線性、非平穩(wěn)的帶有“噪聲”信號序列，運(yùn)用EMD將原始信號進(jìn)行分解并重構(gòu)，更能反應(yīng)原始信號序列有用信息，再運(yùn)用CNN有效提取海量負(fù)荷連續(xù)數(shù)據(jù)與非連續(xù)數(shù)據(jù)之間潛在特征，挖掘特征向量并結(jié)合時序作為輸入，利用LSTM進(jìn)行短期負(fù)荷預(yù)測，與BP神經(jīng)網(wǎng)絡(luò)、SVM、LSTM和EMD-LSTM相比，由于EMD分解后消除較多噪聲信息，基于EMD-CNN-LSTM的組合短期負(fù)荷預(yù)測誤差最小，此組合模型有效提高了負(fù)荷預(yù)測精準(zhǔn)度。

1 基于EMD-CNN-LSTM的混合預(yù)測模型

1.1 EMD模型

EMD[17]不用事先設(shè)立任何基函數(shù)，可直接按照數(shù)據(jù)自身時間尺度分解信號，方法能將非平穩(wěn)非線性數(shù)據(jù)轉(zhuǎn)為平穩(wěn)線性數(shù)據(jù)，可為負(fù)荷預(yù)測模型有效挖掘蘊(yùn)藏序列中的時序關(guān)系，提供較好輔助作用，EMD基本步驟如下：

首先根據(jù)時序數(shù)據(jù)x(t)局部極大極小值確定上下包絡(luò)線Us(t)和Vs(t)，據(jù)此求出均值包絡(luò)線m1，如下式(1)。然后運(yùn)用x(t)減去m1得到c1，c1為固有模態(tài)數(shù)(Inherent Modal Function，IMF)，如式(2)。式(3)所示殘差為時序數(shù)據(jù)與均值包絡(luò)線的差值，最后一系列滿足要求的IMF分量和一個殘差m1由殘差r1(t)重復(fù)上述流程所得，如式(4)。

(1)

c1=x(t)-m1(t)

(2)

r1(t)=x(t)-c1(t)

(3)

(4)

1.2 CNN模型

CNN模型為近年來深度學(xué)習(xí)領(lǐng)域最受歡迎、應(yīng)用最廣泛模型之一。主要由卷積層與池化層和全連接層等構(gòu)成，通過局部連接和共享權(quán)值的模式，交替運(yùn)用卷積層和池化層和全連接層獲得原始序列數(shù)據(jù)中的表征，提數(shù)據(jù)中局部特征[18]，從而建立特征向量，此結(jié)構(gòu)減少權(quán)重數(shù)量，降低模型復(fù)雜度。本文根據(jù)序列長度和特征所在位置，采用一維卷積(1 D-CNN)，此種結(jié)構(gòu)模型較為簡單，權(quán)值輸入較少，數(shù)據(jù)重構(gòu)與特征提取復(fù)雜程度會降低，據(jù)此模型提取時序序列特征，深度挖掘輸入數(shù)據(jù)之間聯(lián)系，最后將特征處理后傳入LSTM網(wǎng)絡(luò)。

1.3 LSTM神經(jīng)網(wǎng)絡(luò)

長短期記憶神經(jīng)網(wǎng)絡(luò)是一種基于RNN(循環(huán)神經(jīng)網(wǎng)絡(luò))的改進(jìn)模型[19]，對出現(xiàn)的長距離依賴問題可有效解決，LSTM神經(jīng)網(wǎng)絡(luò)主要將門(Gate)與狀態(tài)單元(Cell State)概念引入其中，其在數(shù)據(jù)分析當(dāng)中的適應(yīng)性比RNN網(wǎng)絡(luò)更好，LSTM單元結(jié)構(gòu)如圖2所示。

圖1 CNN結(jié)構(gòu)示意圖Fig. 1 Structure diagram

圖2 LSTM單元結(jié)構(gòu)圖Fig. 2 LSTM unit structure diagram

圖3為LSTM狀態(tài)單元結(jié)構(gòu)原理圖，長短期記憶神經(jīng)網(wǎng)絡(luò)較RNN網(wǎng)絡(luò)增加了新的單元：狀態(tài)單元Ct，這些單元由LSTM進(jìn)行連接，LSTM完整不變地傳遞儲存在記憶單元中的信息。

圖3 LSTM神經(jīng)元基本狀態(tài)Fig. 3 LSTM basic neuron state

LSTM網(wǎng)絡(luò)由遺忘門、輸入門和輸出門這三個基本結(jié)構(gòu)組成(如圖4)。遺忘門中記憶單元遺忘部分是由輸入xt與記憶狀態(tài)單元St、中間輸出ht-1一起決定。狀態(tài)記憶單元中的保留向量是由輸入門中的xt相繼經(jīng)過tanh和sigmoid函數(shù)變化后決定，更新過后的狀態(tài)記憶單元St和輸出ot決定，相關(guān)的計算公式如式(5)～(10)所示。

圖4 LSTM網(wǎng)絡(luò)基本單元Fig. 4 LSTM basic unit

ft=σ(Wfxxt+Wfhht-1+bf)

(5)

it=σ(Wixxt+Wihht-1+bi)

(6)

gt=φ(Wgxxt+Wghht-1+bg)

(7)

ot=φ(Woxxt+Wohht-1+bo)

(8)

St=gt⊙it+St-1⊙ft

(9)

ht=φ(St)⊙ot

(10)

1.4 基于EMD-CNN-LSTM混合模型電力負(fù)荷預(yù)測

為提升短期電力負(fù)荷預(yù)測的準(zhǔn)確性，提出一種基于EMD-CNN-LSTM混合短期電力負(fù)荷預(yù)測模型，減弱了電力負(fù)荷序列的非線性，減小負(fù)荷預(yù)測難度，同時顯著提高預(yù)測模型求解的有效性與精準(zhǔn)性。本文所建立的混合負(fù)荷預(yù)測模型流程如下：第一階段將具有時序特征的數(shù)據(jù)集作為此混合模型的輸入。歷史氣溫、過往電價及歷史負(fù)荷數(shù)據(jù)均為彼此互不影響時間序列，為關(guān)聯(lián)影響負(fù)荷歷史信息，運(yùn)用詞向量的表示方式將某一時刻的負(fù)荷值與電價和溫度串聯(lián)成向量，構(gòu)成全新時間序列，每一時刻歷史負(fù)荷均由與其相關(guān)的特征信息一起構(gòu)成。運(yùn)用滑動窗口方式將數(shù)據(jù)進(jìn)行輸入，據(jù)后續(xù)預(yù)測需要，使用寬度為29的滑動窗口依次將負(fù)荷數(shù)據(jù)傳入網(wǎng)絡(luò)，并將步長設(shè)置成1，模型輸入數(shù)據(jù)結(jié)構(gòu)如圖5所示。

圖5 混合模型數(shù)據(jù)輸入結(jié)構(gòu)Fig. 5 Mixed model data input structure

圖6 基于EMD-CNN-LSTM的短期電力負(fù)荷預(yù)測模型流程Fig. 6 Process of short-term power load forecasting model based on EMD-CNN-LSTM

其次對原始電力負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理，并修補(bǔ)異常值，劃分出訓(xùn)練集和測試集，對所選數(shù)據(jù)集進(jìn)行EMD，分解為有限個內(nèi)涵模態(tài)分量和1個殘差分量，再將高頻、中頻和低頻分量各自疊加組合，運(yùn)用CNN進(jìn)一步提取中高頻分量中的潛藏特征并挖掘特征向量，進(jìn)一步提升預(yù)測效果，減少預(yù)測時間，最后將各分量分別輸入LSTM網(wǎng)絡(luò)預(yù)測，將各預(yù)測結(jié)果進(jìn)行線性疊加最終得到期望電力負(fù)荷預(yù)測值。

2 實(shí)例分析與結(jié)果展示

2.1 數(shù)據(jù)集及數(shù)據(jù)預(yù)處理

數(shù)據(jù)集為澳大利亞2006年(2006年4月1日至2006年5月31日)的負(fù)荷、電價和溫度數(shù)據(jù)，采樣間隔為30分鐘1個點(diǎn)，每天取48個點(diǎn)，每類各2 928條數(shù)據(jù)。為便于模型訓(xùn)練，本文對所選數(shù)據(jù)進(jìn)行歸一化處理，方式如式(11)所示：

(11)

式中：x為原始值；xmax為極大值xmin為極小值。

歸一化后對電力負(fù)荷數(shù)據(jù)進(jìn)行展示，圖7可看出電力負(fù)荷波動頻繁，峰值和谷值也無具體范圍，可以發(fā)現(xiàn)該負(fù)荷數(shù)據(jù)不但周期性較差，同時其中包含大量高頻分量、噪聲等。

圖7 電力負(fù)荷數(shù)據(jù)Fig. 7 Power load data

選取該數(shù)據(jù)集中前2 928個點(diǎn)54天內(nèi)的數(shù)據(jù)作為訓(xùn)練集，后336個點(diǎn)7天內(nèi)的數(shù)據(jù)進(jìn)行測試，在訓(xùn)練集中取前n個點(diǎn)對應(yīng)n+1的點(diǎn)，即[x1,x2,x3…xn]對應(yīng)xn+1，[x2,x3,x4…xn+1]對應(yīng)xn+2，依次對訓(xùn)練集進(jìn)行分割，測試集也做同樣處理。

輸入數(shù)據(jù)采用歷史負(fù)荷、電價和溫度構(gòu)成的多維向量，歷史負(fù)荷、電價和溫度都是相互獨(dú)立的時間序列，為了表示這些影響負(fù)荷的特征信息，歷史負(fù)荷、電價和溫度在時間t1,t2……tn時串聯(lián)成向量，根據(jù)所取序列長度n，將其組合成n×3的向量矩陣，形成一組全新的數(shù)據(jù)結(jié)構(gòu)，具體組合方式如圖8所示。

圖8 數(shù)據(jù)輸入形式Fig. 8 Data input form

2.2 誤差評估指標(biāo)

預(yù)測結(jié)果誤差評估指標(biāo)[20，21]采用平均絕對百分誤差(Mean Absolute Percent Error, MAPE)和均方根誤差(Root Mean Square Error, RMSE)，公式如式(12)～(13)。

(12)

(13)

式中：yl為預(yù)測值；yi為實(shí)際值，n為樣本數(shù)量。

2.3 EMD-CNN電力負(fù)荷重構(gòu)

對所選數(shù)據(jù)集進(jìn)行EMD，從高頻到低頻，負(fù)荷序列被分解成8個IMF和1個Res，如圖9所示，8個IMF反映負(fù)荷數(shù)據(jù)在不同影響因素和不同尺度下的分布，逐漸由非平穩(wěn)到平穩(wěn)，殘差分量則可看出負(fù)荷序列長期的變化規(guī)律，且整體變化趨勢較為一致。

圖9 EMD分解結(jié)果Fig. 9 EMD decomposition result

此時通過EMD將負(fù)荷數(shù)據(jù)平穩(wěn)化處理，分解出來的各IMF分量包含了原信號的不同時間尺度的局部特征信號，使用LSTM預(yù)測模型對各局部特征單獨(dú)預(yù)測，可達(dá)到互不干擾的效果，降低預(yù)測難度，但預(yù)測模型從1個增加到9個，模型整體的訓(xùn)練時間顯著提升，從而影響了模型性能。

同時由公式分別計算各分量的過零率，如表1所示IMF1和Res的過零率大于0.4，為高頻分量，IMF2到IMF5的過零率在0.1～0.4之間為中頻分量，其余分量均看作低頻分量，由圖可看出中、高頻分量頻率極其不穩(wěn)定，出現(xiàn)了明顯的模態(tài)混疊現(xiàn)象，可能會為下一步的模型的訓(xùn)練和預(yù)測增添難度。

表1 各分量的過零率Tab.1 Zero crossing rate of each component (%)

針對EMD-LSTM模型訓(xùn)練時間過長和中、高頻預(yù)測效果相對較差的問題，一方面將高頻、中頻和低頻分量各自疊加組合，使得構(gòu)建的模型由9個降低到3個，模型訓(xùn)練時間由此大為降低；另一方面使用CNN來進(jìn)一步提取中、高頻分量中的潛藏特征，減少權(quán)值數(shù)量，在提升LSTM模型擬合效果的同時也降低了模型的訓(xùn)練時間，最終構(gòu)建出EMD-CNN-LSTM預(yù)測模型。

2.4 LSTM和CNN網(wǎng)絡(luò)參數(shù)選取

根據(jù)本文提出的EMD-CNN-LSTM混合模型，利用2006年澳大利亞4～5月的用電負(fù)荷、電價和溫度數(shù)據(jù)進(jìn)行仿真。分別固定CNN和LSTM參數(shù)，對CNN和LSTM網(wǎng)絡(luò)層數(shù)的選取做出調(diào)整，通過MAPE和RMSE的大小來判斷預(yù)測精度，仿真結(jié)果如表2、表3所示。從表中可以看出，適當(dāng)增加CNN和LSTM層數(shù)可提高預(yù)測精度，發(fā)現(xiàn)CNN層數(shù)和LSTM層數(shù)超過2層時，均出現(xiàn)了過擬合的情況。因此，本文將CNN層數(shù)和LSTM層數(shù)定為2層。

表2 LSTM層數(shù)調(diào)整結(jié)果Tab.2 LSTM layer adjustment result

表3 CNN層數(shù)調(diào)整結(jié)果Tab.3 CNN layer adjustment result

2.5 仿真結(jié)果對比

分別利用BP、SVR、LSTM、EMD-LSTM進(jìn)行仿真實(shí)驗(yàn)，對各網(wǎng)絡(luò)模型參數(shù)進(jìn)行調(diào)優(yōu)，以相同訓(xùn)練集訓(xùn)練。確定各個模型參數(shù)后，以相同測試集預(yù)測2006年中一個星期(5月25日至5月31日)的電力負(fù)荷，計算其MAPE、RMSE和訓(xùn)練時間，結(jié)果如表4所示。仿真結(jié)果表明，EMD-LSTM模型在一個星期的MAPE及RMSE為1.16%和134.6 MW均低于其他3種模型，但訓(xùn)練時間為294.3 s，比LSTM的訓(xùn)練時間增加263.8 s，可知EMD-LSTM模型雖能取得較高的預(yù)測效果，但影響了模型運(yùn)行性能，需針對其不足進(jìn)行改進(jìn)。

表4 不同模型預(yù)測結(jié)果對比Tab.4 Comparison of prediction results of different models

圖10為BP、SVR、LSTM和EMD-LSTM在2006年5日30日的負(fù)荷預(yù)測結(jié)果曲線，可明顯看出BP、SVR在波峰和波谷區(qū)域出現(xiàn)很大幅度的偏差，而LSTM、EMD-LSTM相對于這兩種模型都能較好地與真實(shí)曲線擬合。分析LSTM和EMD-LSTM模型的負(fù)荷預(yù)測曲線，從整體來看基于EMD-LSTM模型的預(yù)測曲線不僅在波峰波谷區(qū)域與實(shí)際變化曲線更貼近，在其他區(qū)域也與實(shí)際的變化趨勢更吻合，其原因是序列的非平穩(wěn)性導(dǎo)致LSTM不能很好地預(yù)測出序列的變化趨勢，而EMD重構(gòu)序列改善了這一問題，使得預(yù)測精度更好。

圖10 不同模型的預(yù)測曲線圖Fig. 10 Forecast curves of different models

因EMD-LSTM模型訓(xùn)練時間過長，為降低模型訓(xùn)練時間，對模型進(jìn)行改進(jìn)，將EMD后劃分的高頻、中頻和低頻各自疊加后分別使用LSTM預(yù)測，由表5可看出經(jīng)改進(jìn)后EMD-LSTM預(yù)測模型的MAPE、RMSE和訓(xùn)練時間分別降低0.18%，11.8 MW和209.8 s，均優(yōu)于改進(jìn)前EMD-LSTM預(yù)測模型，驗(yàn)證了該改進(jìn)方法的可行性。

表5 一次改進(jìn)后模型性能對比Tab.5 Model performance comparison after improvement

同時為解決高、中頻組合分量中模態(tài)混疊影響預(yù)測效果的問題，使用CNN進(jìn)一步抽取高、中頻組合分量的潛藏特征，使得LSTM提取高、中頻組合分量時更為便宜。如表6所示為高頻組合分量分別使用LSTM和CNN-LSTM后的預(yù)測結(jié)果，可看出高頻組合分量在使用CNN進(jìn)行處理后，MAPE、RMSE和訓(xùn)練時間分別降低0.35%、28.3 MW和21.7 s，模型整體的預(yù)測性能得到提升。

表6 高頻組合分量使用CNN后的預(yù)測結(jié)果

對上述思路匯總，經(jīng)二次改進(jìn)后，最終確立EMD-CNN-LSTM短期電力負(fù)荷預(yù)測模型，并按照以上相同方式進(jìn)行仿真，實(shí)驗(yàn)結(jié)果如表7所示，EMD-CNN-LSTM預(yù)測模型的MAPE和RMSE在一天或一個星期都比EMD-LSTM更低，一天中分別降低0.16%、12.3 MW，一個星期內(nèi)分別降低0.34%和100.7 MW，證明了EMD-CNN-LSTM的優(yōu)越性。

表7 EMD-LSTM使用CNN后的預(yù)測結(jié)果Tab.7 EMD-LSTM prediction results after using CNN

為進(jìn)一步分析模型的預(yù)測結(jié)果，統(tǒng)計并計算了不同模型2006年5月29日前12 h內(nèi)的負(fù)荷實(shí)際值、預(yù)測值、 MAPE 和RMSE指標(biāo)，如表8所示。由表可知，LSTM在使用EMD后和EMD-LSTM使用CNN后，發(fā)現(xiàn)在12 h內(nèi)均有15個負(fù)荷點(diǎn)的MAPE、RMSE下降和9個負(fù)荷點(diǎn)的MAPE、RMSE上升，表明模型組合后，總體擬合效果進(jìn)一步提高。同時，LSTM、EMD-LSTM 和 EMD-CNN-LSTM 模型的12 h平均MAPE和RMSE分別為1.75%、1.29%和0.62%，180.7 MW、133.4 MW和68.1 MW，EMD-CNN-LSTM 的12 h平均MAPE和RMSE相較于LSTM模型、EMD-LSTM 模型分別降低了1.13%、0.67%和112.7 MW、65.3 MW，進(jìn)一步表明所提模型具有更高的預(yù)測精度。

表8 12 h內(nèi)不同模型負(fù)荷預(yù)測結(jié)果Tab.8 Load forecast results of different models within 12 h

圖11為基于EMD-LSTM與EMD-CNN-LSTM模型的負(fù)荷預(yù)測結(jié)果對比圖，可以看出在大多數(shù)波峰和波谷區(qū)域，基于EMD-CNN-LSTM模型的預(yù)精度更高，這體現(xiàn)了CNN提取潛藏特征的能力使得預(yù)測結(jié)果更能擬合真實(shí)曲線。

圖11 基于EMD-LSTM和EMD-CNN-LSTM模型負(fù)荷預(yù)測結(jié)果對比Fig. 11 Comparison of load prediction results based on EMD-LSTM and EMD-CNN-LSTM models

3 結(jié) 論

面對日益提高的電力系統(tǒng)負(fù)荷預(yù)測精度的要求，本文提出一種基于EMD-CNN-LSTM的短期電力負(fù)荷預(yù)測混合模型。將預(yù)處理之后的負(fù)荷相關(guān)的特征數(shù)據(jù)運(yùn)用EMD進(jìn)行重構(gòu)，分解后的高、中頻分量進(jìn)行疊加組合，運(yùn)用CNN充分提取各分量的潛在特征并作為LSTM網(wǎng)絡(luò)輸入對各分量進(jìn)行預(yù)測，最后疊加各分量預(yù)測值得到最終預(yù)測結(jié)果?；贓MD-CNN-LSTM混合模型的短期電力負(fù)荷預(yù)測優(yōu)勢如下：

(1)非平穩(wěn)非線性的負(fù)荷序列經(jīng)EMD分解后復(fù)雜度及非線性程度明顯降低，有利于模型的精確預(yù)測。

(2)將經(jīng)過EMD分解后的高、中頻分量作為CNN網(wǎng)絡(luò)的輸入，利用CNN提取潛藏特征，降低數(shù)據(jù)復(fù)雜程度，更有利于分析負(fù)荷時序性。

(3)此混合模型結(jié)合EMD、CNN和LSTM各自特點(diǎn)，實(shí)驗(yàn)結(jié)果表明此模型能有效提升短期負(fù)荷精度，縮短預(yù)測時間，具有一定的優(yōu)越性?；贓MD-CNN-LSTM 混合模型預(yù)測負(fù)荷的MAPE為0.61%，較EMD-LSTM模型降低0.16%，較BP神經(jīng)網(wǎng)絡(luò)模型、SVR模型及LSTM模型分別降低3.47%、2%和0.8%。預(yù)測時間為61.1 s，較EMD-LSTM模型降低233.2 s。