基于AO-VMD-BiGRU的短期負荷預(yù)測方法

汝洪芳,張程帝,王國新,李作淘

(黑龍江科技大學(xué) 電氣與控制工程學(xué)院,哈爾濱 150022 )

0 引 言

在雙碳背景下,新能源發(fā)電比例逐年提升,同時,也給電網(wǎng)的穩(wěn)定性帶來了極大的挑戰(zhàn)。若是能夠?qū)Χ唐陔娏ω摵蛇M行精準的預(yù)測,這不僅能夠促使供電企業(yè)制定更加周密的發(fā)電計劃,優(yōu)化電力調(diào)度規(guī)劃,還能保證電力系統(tǒng)的安全,符合綠色發(fā)展的要求。

從文獻資料上看,一些成熟的預(yù)測短期負荷的方法主要有自回歸移動平均法(autoregressive integrated moving average, ARIMA)[1-2]、卡爾曼濾波法[3]等方法。上述幾種方法均可以對各個影響因素進行捕捉,并確定各因素之間的線性關(guān)系,但也存在明顯的不足,那就是無法對非線性特征進行描述。常用的深度學(xué)習(xí)短期負荷預(yù)測方法有以下幾種:反饋神經(jīng)網(wǎng)絡(luò)(back propagation,BP)[4]、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)[5]、循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)[6]等模型的預(yù)測方法。文獻[7]采用門控循環(huán)單元(gate recurrent unit,GRU)對電力負荷進行預(yù)測,與長短期記憶網(wǎng)絡(luò)(long short-term memory,LSTM)相比,更易于計算,但是負荷預(yù)測是由歷史時刻信息和未來時刻信息共同決定,GRU沒有對未來時刻信息進行考慮。文獻[8] 采用經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition,EMD),借助此方法完成電力負荷的分解工作,降低了負荷預(yù)測的復(fù)雜性,但此種分解模態(tài)容易出現(xiàn)模態(tài)混疊的情況,這非常影響負荷預(yù)測的精度。文獻[9]采用變分模態(tài)分解(variational mode decomposition,VMD)對電力負荷進行分解,取得很好的實驗效果,但是人為設(shè)置參數(shù)具有很強的隨機性,影響其分解性能。

為了提高短期負荷預(yù)測精度,本文提出一種基于天鷹算法(aquila optimizer,AO)優(yōu)化變分模態(tài)分解和雙向門控循環(huán)單元(bidirectional gate recurrent unit,BiGRU)神經(jīng)網(wǎng)絡(luò)的短期電力負荷預(yù)測方法。首先,利用VMD取代EMD,對負荷序列進行分解,得到電力負荷分解序列圖像,解決EMD本身的模態(tài)混疊缺點;其次,采用AO取代人為設(shè)置,對VMD參數(shù)進行選擇,降低了試驗的隨機性;最后把分解后的負荷序列傳遞到雙向門控循環(huán)單元中進行數(shù)據(jù)的非線性擬合,在澳大利亞昆士蘭地區(qū)負荷數(shù)據(jù)基礎(chǔ)上進行短期負荷預(yù)測。將該方法與BiGRU神經(jīng)網(wǎng)絡(luò)模型、VMD-BiGRU神經(jīng)網(wǎng)絡(luò)模型、WOA-VMD-BiGRU模型進行比較,來驗證所提方法的準確性。

1 AO-VMD-BiGRU模型原理

1.1 AO

天鷹優(yōu)化算法是2021年Laith Abualigah等人提出的一種新型智能優(yōu)化算法[10],該算法主要模擬天鷹在捕捉獵物過程中的自然行為,來達到尋優(yōu)的目的,具有尋優(yōu)能力強、收斂速度快等特點。

1.2 VMD

變分模態(tài)分解,即VMD,此方法是Dragomiretskiy等人在2014年提出的[11],此種信號分解方法具有一定的自適應(yīng)性。此模型借助迭代搜索變分方法最優(yōu)解,從而精準確定各個分量的中心頻率以及寬帶,同時徹底克服了EMD方法的諸多弊端,比如端點效應(yīng)、模態(tài)分量混疊等難題。VMD算法的約束公式如下:

(1)

(2)

式中:{uk}為模態(tài)分量的集合;{wk}為各模態(tài)分量的中心頻率;*為卷積運算;?t為函數(shù)對時間的導(dǎo)數(shù);δ(t)為單位脈沖函數(shù);f(t)為原始輸入信號。

把拉格朗日因子代入約束公式,從而將其轉(zhuǎn)換為非約束的變分問題,如下:

L({uk},{wk},λ)=

(3)

式中:α為懲罰因子;λ為拉格朗日因子。

模態(tài)分子變量和中心頻率的更新公式如下:

(4)

(5)

式中:f(w)、ui(w)、λ(w)分別為f(t)、ui(t)、λ(t)的傅里葉變換;n為迭代次數(shù)。

1.3 BiGRU模型

BiGRU模型是在2個方向相反GRU模型的基礎(chǔ)上搭建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),GRU網(wǎng)絡(luò)模型如圖1所示。這2個GRU網(wǎng)絡(luò)模型都能接收到相同的輸入,所以該模型在處理時間序列數(shù)據(jù)上有優(yōu)勢,負荷預(yù)測的準確率提高[12]。選擇BiGRU網(wǎng)絡(luò)模型,如圖2所示。

圖1 GRU原理圖

圖2 BiGRU原理圖

GRU網(wǎng)絡(luò)公式如下:

rt=σ(wr[ht-1,xt])

(6)

zt=σ(wz[mt-1,xt])

(7)

(8)

(9)

BIGRU網(wǎng)絡(luò)公式如下:

(10)

(11)

(12)

2 基于AO-VMD-BiGRU的負荷預(yù)測模型

2.1 基于AO的VMD參數(shù)優(yōu)化

VMD對信號的分解效果主要取決于分解個數(shù)K和懲罰因子α的設(shè)置,但是人為設(shè)置VMD參數(shù)可能造成過分解和欠分解現(xiàn)象。因此,采用AO算法對VMD中分解個數(shù)K和懲罰因子α迭代尋優(yōu),尋優(yōu)維度設(shè)置為2,K的尋優(yōu)區(qū)間設(shè)置為[2,10],α的尋優(yōu)區(qū)間設(shè)置為[0,10 000]。采用VMD損失函數(shù)作為AO算法尋優(yōu)的適應(yīng)度函數(shù),計算式如下:

(13)

式中:f(t)為原始輸入信號;f′(t)為分解后信號;T為時間長度。

2.2 AO-VMD-BiGRU模型結(jié)構(gòu)

為實現(xiàn)短期電力負荷的預(yù)測精準度大幅提升的目標,提出基于AO-VMD-BiGRU的模型預(yù)測短期負荷的變化趨勢,其模型結(jié)構(gòu)如圖3所示。首先利用損失函數(shù)作為適應(yīng)度函數(shù),運用AO對VMD中的分解個數(shù)K和懲罰因子α進行迭代尋優(yōu),確定這2個參數(shù)值;隨后,把原始負荷數(shù)據(jù)導(dǎo)入VMD中進行簡單的模態(tài)分解,獲得各模態(tài)分量IMF1,IMF2,…,IMFn;最后把各模態(tài)分量導(dǎo)入BiGRU神經(jīng)網(wǎng)絡(luò)模型,得到各模態(tài)分量預(yù)測值,進行輸出結(jié)果疊加,從而得到實際預(yù)測值。

圖3 AO-VMD-BiGRU模型結(jié)構(gòu)圖

模型評估主要依據(jù)3個重要的指標,分別是平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)和平均絕對誤差(MAE),這3個評估標準能夠有效地測試負荷預(yù)測方法的性能好壞。在電力負荷預(yù)測中MAPE、RMSE、MAE的值越小,表示模型的擬合效果越好,代表負荷預(yù)測越準確,計算式如下:

(14)

(15)

(16)

式中:yi為第i個采樣點真實所得到的負荷值數(shù)據(jù);y′i為第i個采樣點預(yù)測計算出來的負荷值;n值為測試的樣本數(shù)。

3 試驗分析

3.1 數(shù)據(jù)處理

試驗數(shù)據(jù)選取澳大利亞昆士蘭地區(qū) 2014年1月份上半月的真實歷史負荷數(shù)據(jù)(包含干球溫度、電力價格、空氣濕度、電力負荷等特征)為數(shù)據(jù)集合,每天會采取48個樣本值,每次采樣的時間間隔是30 min,每次獲取的數(shù)據(jù)包含上面提及的6個方面電力負荷數(shù)據(jù)值。

采用 min-max 標準化將數(shù)據(jù)歸一化到[0, 1],計算過程如下所示。

(17)

式中:xi為第i個采樣點特征原始值;xmin和xmax分別為采樣數(shù)據(jù)中各特征數(shù)據(jù)的最小值和最大值;x′t為xi數(shù)據(jù)歸一化后的值,范圍為[0, 1]。

3.2 基于AO-VMD分解試驗

為了體現(xiàn)AO優(yōu)化VMD參數(shù)的有效性,將AO優(yōu)化VMD參數(shù)和VMD參數(shù)默認值以及鯨魚優(yōu)化算法(whale optimization algorithm, WOA)優(yōu)化VMD參數(shù)進行對比,所有模型的訓(xùn)練集與測試集相同,AO和WOA尋優(yōu)VMD參數(shù)的迭代過程和分解結(jié)果如圖4和表1所示,對應(yīng)式(13)中分解結(jié)果越小,模型預(yù)測越準確。

表1 VMD尋優(yōu)參數(shù)結(jié)果

圖4 不同算法迭代尋優(yōu)圖

由圖4和表1可知,使用AO對VMD進行參數(shù)尋優(yōu)相較于WOA參數(shù)尋優(yōu),尋優(yōu)能力更強,尋優(yōu)速度更快,其分解損失相較于一般VMD參數(shù)設(shè)置和WOA優(yōu)化的分解損失更小,最小為1.68 MW。原始負荷數(shù)據(jù)和AO-VMD的分解序列如圖5和圖6所示,圖6中res代表原始負荷數(shù)據(jù)分解的殘差分量。

圖5 原始負荷數(shù)據(jù)圖

圖6 AO-VMD分解序列圖

3.3 試驗結(jié)果分析

為驗證方法有效性,試驗將AO-VMD-BiGRU模型與BiGRU模型、VMD-BiGRU模型和WOA-VMD-BiGRU模型之間的性能進行了對比。在預(yù)測電力負荷數(shù)據(jù)的時候,參考文獻[13]可以把這幾個模型的遞歸神經(jīng)網(wǎng)絡(luò)層數(shù)都設(shè)置成1,而將神經(jīng)網(wǎng)絡(luò)各層的神經(jīng)元數(shù)量控制在50,預(yù)測結(jié)果如圖7和表2所示。

表2 各類模型對比

圖7 預(yù)測結(jié)果對比

由表2可知,4種模型預(yù)測結(jié)果都取得了良好的效果,AO-VMD-BiGRU模型的預(yù)測結(jié)果更好。其中,AO-VMD-BiGRU模型的MAPE為1.54%,其MAPE相較于BiGRU模型、VMD-BiGRU模型和WOA-VMD-BiGRU模型這3種方法的MAPE分別降低了2.98%、1.93%、0.19%。根據(jù)圖7可知,基于AO-VMD-BiGRU模型預(yù)測結(jié)果與實際負荷曲線擬合程度更高,可以很好地表示負荷變化的趨勢。

4 結(jié) 語

面對電力系統(tǒng)對負荷預(yù)測準確性要求日益提高的形勢,提出一種基于AO-VMD-BiGRU混合模型預(yù)測方法。

1)通過AO對VMD進行參數(shù)尋優(yōu),確定K和α的值,降低了人為設(shè)置參數(shù)的隨機性。

2)原始負荷數(shù)據(jù)經(jīng)過VMD分解,獲得不同頻率的模態(tài)分量,削弱了原始負荷數(shù)據(jù)的噪聲干擾。

3)采用BiGRU神經(jīng)網(wǎng)絡(luò)對各模態(tài)分量進行預(yù)測并進行預(yù)測結(jié)果疊加,提升了負荷預(yù)測的精度。對比試驗結(jié)果表明,此模型預(yù)測精度更加準確,具有一定的可行性。