基于VMD-ISODATA-DBN的配電臺(tái)區(qū)短期負(fù)荷預(yù)測(cè)方法

壽紹安，羅海榮，王曉康，張 潔，虎 俊，周劍橋

（1.國(guó)網(wǎng)吳忠供電公司，寧夏吳忠 751100；2.國(guó)網(wǎng)寧夏電力科學(xué)研究院，寧夏銀川 750000；3.上海交通大學(xué)，上海 201100）

0 引言

短期負(fù)荷預(yù)測(cè)是配電臺(tái)區(qū)提前制定電力調(diào)配計(jì)劃以保障配電網(wǎng)電量供需實(shí)時(shí)平衡的重要環(huán)節(jié)[1]。但是，受氣象條件、節(jié)假日等因素的影響，電力負(fù)荷呈現(xiàn)出極強(qiáng)的隨機(jī)性和波動(dòng)性，給配電網(wǎng)的安全穩(wěn)定運(yùn)行帶來(lái)巨大挑戰(zhàn)[2]。與此同時(shí)，伴隨著電動(dòng)汽車(chē)等新型非線性負(fù)荷的大規(guī)模推廣，配電網(wǎng)所面臨的短期負(fù)荷預(yù)測(cè)不確定性問(wèn)題日益凸顯[3-4]。因此，為有效制定配電網(wǎng)日常運(yùn)行調(diào)度計(jì)劃，以進(jìn)一步提高供電效率及質(zhì)量，需要對(duì)配電臺(tái)區(qū)短期負(fù)荷進(jìn)行準(zhǔn)確可靠地預(yù)測(cè)[5]。

按照建模方式的不同，負(fù)荷預(yù)測(cè)方法一般可分為統(tǒng)計(jì)方法和人工智能方法[6]。其中，統(tǒng)計(jì)方法基于歷史負(fù)荷數(shù)據(jù)構(gòu)建數(shù)學(xué)模型來(lái)預(yù)測(cè)未來(lái)負(fù)荷，典型的有多元線性回歸[7]、自回歸積分滑動(dòng)平均[8]等，雖然其建模過(guò)程簡(jiǎn)單，但對(duì)非線性數(shù)據(jù)的擬合能力較弱且預(yù)測(cè)魯棒性較差，在電力負(fù)荷預(yù)測(cè)應(yīng)用中還存在較大的局限性。近年來(lái)，人工智能方法在負(fù)荷預(yù)測(cè)中獲得廣泛應(yīng)用，各種深度學(xué)習(xí)模型如長(zhǎng)短期記憶（Long-term and Short-term Memory，LSTM）網(wǎng)絡(luò)[9]、門(mén)控循環(huán)單元（Gated Recurrent Unit，GRU）[10]、深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Network，DCNN）等，由于具有強(qiáng)大的特征學(xué)習(xí)能力，可以從海量的負(fù)荷數(shù)據(jù)中挖掘出隱藏的特征，進(jìn)一步提高了負(fù)荷預(yù)測(cè)的準(zhǔn)確性[11]。但是，由于隨機(jī)初始化網(wǎng)絡(luò)參數(shù)的原因，這些深度學(xué)習(xí)模型的泛化能力出現(xiàn)了顯著的下降，且很容易陷入局部最優(yōu)[12]。為此，孔祥玉等人提出一種新的基于深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）的短期負(fù)荷預(yù)測(cè)方法，并在高維大數(shù)據(jù)負(fù)荷預(yù)測(cè)場(chǎng)景下獲得了更高的預(yù)測(cè)精度[13]。

對(duì)負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理的方法成為當(dāng)前負(fù)荷預(yù)測(cè)研究的熱點(diǎn)，具體可歸納為分解和聚類(lèi)兩種類(lèi)型[14-18]。其中，相較經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）[19、]變分模態(tài)分解（Variational Mode Decomposition，VMD）[20]由于克服了EMD 存在的模態(tài)分量混疊問(wèn)題，其負(fù)荷分解效果更好。為了獲得最佳的負(fù)荷聚類(lèi)數(shù)目，張辰睿提出一種基于迭代自組織數(shù)據(jù)分析算法（Iterative Self-organizing Data Analysis Techniques Algorithm，ISODATA）的負(fù)荷聚類(lèi)方法，解決了K-means 算法聚類(lèi)結(jié)果易受其初始給定聚類(lèi)數(shù)目干擾的問(wèn)題[21]。

考慮到DBN 在預(yù)測(cè)建模方面的優(yōu)勢(shì)以及VMD，ISODATA 算法在負(fù)荷數(shù)據(jù)預(yù)處理中的成功應(yīng)用，本文進(jìn)一步提出一種基于VMD-ISODATA-DBN的短期負(fù)荷組合預(yù)測(cè)方法。為驗(yàn)證所提方法的有效性，將其應(yīng)用于甘肅省某市所轄配電臺(tái)區(qū)短期負(fù)荷預(yù)測(cè)實(shí)例中，結(jié)果表明相較于其他對(duì)比方法，所提方法預(yù)測(cè)效果更優(yōu)。

1 預(yù)測(cè)模型的基本原理

1.1 VMD算法

VMD 算法的核心思路是通過(guò)構(gòu)造和求解一個(gè)滿足目標(biāo)函數(shù)的變分問(wèn)題來(lái)解決EMD 方法中的模態(tài)混疊現(xiàn)象。VMD 算法的具體步驟：

1）將t時(shí)刻的原始信號(hào)f(t)進(jìn)行模態(tài)分解，為了使每個(gè)模態(tài)分量估計(jì)帶寬的和最小化，并且全部模態(tài)分量的和等于原信號(hào)，要求滿足式（1）所示的約束變分式：

式中：?t為求偏導(dǎo)；δ(t)為狄拉克分布函數(shù)；*為卷積運(yùn)算符；k為模態(tài)分量個(gè)數(shù)；K為模態(tài)分量序列；uk為有限帶寬的模態(tài)分量；wk為uk的中心頻率。

2）利用拉格朗日乘子λ和二次懲罰因子α，把式（1）變分問(wèn)題轉(zhuǎn)變?yōu)榉羌s束變分問(wèn)題進(jìn)行求解，則可得到增廣拉格朗日表達(dá)式為：

3）采用交替方向乘子法迭代求解拉格朗日函數(shù)參數(shù)uk,wk,λ的最優(yōu)解，如式（3）所示：

利用VMD 進(jìn)行負(fù)荷數(shù)據(jù)分解時(shí)，應(yīng)在有限帶寬內(nèi)將非平穩(wěn)的負(fù)荷序列分解為K個(gè)分量序列。若K值過(guò)大會(huì)出現(xiàn)模態(tài)混疊的現(xiàn)象，若K值過(guò)小會(huì)導(dǎo)致欠分解，兩種情況都會(huì)對(duì)后續(xù)的模型預(yù)測(cè)精度產(chǎn)生影響，故應(yīng)首先確定分量序列K。

1.2 ISODATA算法

ISODATA 算法是當(dāng)前一種主流的聚類(lèi)分析算法，其主要思想是以K-means 算法為基礎(chǔ)，通過(guò)進(jìn)一步合并和分裂聚類(lèi)結(jié)果，動(dòng)態(tài)地調(diào)整聚類(lèi)數(shù)目，從而有效解決了K-means 算法事先無(wú)法確定合適聚類(lèi)數(shù)目的問(wèn)題。因此，其在數(shù)據(jù)分析和挖掘領(lǐng)域中得到廣泛應(yīng)用。ISODATA 算法的具體步驟如下：

1）從數(shù)據(jù)集{x1,…,xN}中隨機(jī)選取C0個(gè)樣本作為初始聚類(lèi)中心C={c1,c2,…,cC0}。

2）對(duì)于數(shù)據(jù)集中的每個(gè)樣本xs(s=1,…,N)，其中，N為樣本總數(shù)。計(jì)算其到C0個(gè)聚類(lèi)中心的距離，將與某聚類(lèi)中心距離最小的樣本劃分到該類(lèi)中。

3）統(tǒng)計(jì)每類(lèi)的樣本數(shù)目是否小于Nmin。當(dāng)小于Nmin時(shí)，放棄該類(lèi)，并使聚類(lèi)數(shù)量G=G-1，同時(shí)將該類(lèi)全部樣本劃分到剩余類(lèi)中距離最小的類(lèi)。

4）針對(duì)每個(gè)類(lèi)別cg(g=1,…,G)，重新計(jì)算其聚類(lèi)中心：

6）若G＞2C0，則表明當(dāng)前的類(lèi)數(shù)目過(guò)多，要進(jìn)一步合并操作。

7）當(dāng)滿足最大迭代次數(shù)時(shí)，結(jié)束；否則返回2）繼續(xù)。

采用ISODATA 進(jìn)行負(fù)荷序列聚類(lèi)時(shí)，其聚類(lèi)數(shù)目在聚類(lèi)過(guò)程中是不斷變化的。因此，可根據(jù)1 d內(nèi)負(fù)荷類(lèi)型隨不同時(shí)間段（早上、中午、下午、晚上、夜間）變化的特點(diǎn)，將預(yù)期得到的負(fù)荷聚類(lèi)中心數(shù)目進(jìn)行提前設(shè)定。

1.3 DBN模型

DBN 模型的構(gòu)建是一個(gè)概率生成的過(guò)程，通過(guò)將多個(gè)受限玻爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）按自下而上的分層方式進(jìn)行連接，具有強(qiáng)大的非線性數(shù)據(jù)擬合和表征能力。相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)（Back Progrgation，BP），DBN 的學(xué)習(xí)速度更快、對(duì)輸入數(shù)據(jù)的要求更低。因此，本文利用DBN 模型對(duì)負(fù)荷數(shù)據(jù)分解聚類(lèi)后的各個(gè)分量分別進(jìn)行預(yù)測(cè)。

DBN 模型的訓(xùn)練過(guò)程主要包括預(yù)訓(xùn)練和微調(diào)2 個(gè)步驟，具體過(guò)程如圖1 所示。

圖1 DBN 模型訓(xùn)練過(guò)程Fig.1 DBN model training process

1）預(yù)訓(xùn)練是指將每層RBM 網(wǎng)絡(luò)都作為一個(gè)特征提取器，以確保輸入特征向量映射到不同層特征空間時(shí)，盡可能多地保留特征信息。每一層RBM網(wǎng)絡(luò)都可以作為一個(gè)特征提取器，以提取輸入特征向量。在每次訓(xùn)練結(jié)束后，都要對(duì)每一層RBM 網(wǎng)絡(luò)進(jìn)行微調(diào)，調(diào)整參數(shù)以獲得最佳的性能。相應(yīng)計(jì)算如式（5）所示：

式中：vi，ai為可見(jiàn)層第i個(gè)神經(jīng)元輸入及偏置；hj，bj為隱藏層第j個(gè)神經(jīng)元輸出及偏置；wij為可見(jiàn)層與隱藏層神經(jīng)元之間的連接權(quán)重。

RBM 網(wǎng)絡(luò)中每一層的可見(jiàn)層概率分布函數(shù)E(v,h)定義如式（6）所示：

式中：h,m分別為可見(jiàn)層和隱藏層神經(jīng)元個(gè)數(shù)。

每層RBM 網(wǎng)絡(luò)可見(jiàn)層的概率分布函數(shù)P(v)定義為:

2）微調(diào)是指在DBN 的最后一層設(shè)置BP 網(wǎng)絡(luò)，對(duì)每一層RBM 的網(wǎng)絡(luò)參數(shù)采用誤差反向傳播算法進(jìn)行微調(diào)，使得每層RBM 網(wǎng)絡(luò)權(quán)值對(duì)該層特征向量映射達(dá)到最優(yōu)。

2 VMD-ISODATA-DBN 負(fù)荷預(yù)測(cè)模型設(shè)計(jì)

2.1 VMD-ISODATA-DBN模型框架

配電網(wǎng)負(fù)荷具有較強(qiáng)的隨機(jī)性和波動(dòng)性，受天氣、節(jié)假日、經(jīng)濟(jì)等諸多不確定性時(shí)變因素影響，對(duì)其進(jìn)行精準(zhǔn)預(yù)測(cè)變得十分困難。為了提高配電網(wǎng)短期負(fù)荷預(yù)測(cè)的精度，本文提出一種基于VMDISODATA-DBN 的組合預(yù)測(cè)方法。首先，針對(duì)不同時(shí)間段的負(fù)荷數(shù)據(jù)，采用VMD 對(duì)其進(jìn)行平穩(wěn)化處理，將原始負(fù)荷序列分解成若干個(gè)本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF）；然后，為了減少負(fù)荷數(shù)據(jù)不同分布特征的影響，利用ISODATA 將特征相似的IMF 序列歸為一類(lèi)，用于訓(xùn)練同一個(gè)模型。最后，針對(duì)不同類(lèi)別下的各本征模態(tài)函數(shù)分別建立DBN 預(yù)測(cè)模型。具體步驟如下：

1）采用四分位法對(duì)配電臺(tái)區(qū)負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，將異常值進(jìn)行修正和替換。

2）利用VMD 算法將原始負(fù)荷序列分解為不同的模態(tài)分量[IMF1,IMF2,…,IMFK]。

3）通過(guò)ISODATA 聚類(lèi)方法將模態(tài)分量[IMF1,IMF2,…,IMFK]聚到不同的類(lèi)。

4）對(duì)各類(lèi)模態(tài)分量分別建立DBN 預(yù)測(cè)模型。

5）將各類(lèi)子模態(tài)分量預(yù)測(cè)結(jié)果進(jìn)行疊加重構(gòu)，得到最終的負(fù)荷預(yù)測(cè)值。

2.2 模型評(píng)價(jià)指標(biāo)

本文采用的模型性能評(píng)價(jià)指標(biāo)，包括MAE，RMSE，MAPE 以及R2。MAE 表示模型預(yù)測(cè)值與真實(shí)值之間的誤差，記為EMA；RMSE 可以用來(lái)比較單個(gè)模型的結(jié)果與整體結(jié)果之間的差異，記為ERMS；MAPE 表示模型預(yù)測(cè)值與真實(shí)值之間的差異，記為EMAP；R2表示模型預(yù)測(cè)值與真實(shí)值之間的擬合情況，具體表達(dá)式如式（8）—式（11）所示：

3 算例分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

選取甘肅省某市所屬配電臺(tái)區(qū)2017—2019 年間的負(fù)荷數(shù)據(jù)集進(jìn)行算例分析，以驗(yàn)證所提方法的合理性。該數(shù)據(jù)集每15 min 采集1 次，1 d 共96 個(gè)采樣點(diǎn)。其中，將前2 年的數(shù)據(jù)集作為訓(xùn)練集，用于訓(xùn)練學(xué)習(xí)模型的參數(shù)，將最后1 年作為測(cè)試集，用于評(píng)估模型的預(yù)測(cè)效果。數(shù)據(jù)集的每日負(fù)荷時(shí)間分布如圖2 所示。

圖2 數(shù)據(jù)集的每日負(fù)荷時(shí)間分布Fig.2 Daily load time distribution of datasets

3.2 模型參數(shù)選取

3.2.1 負(fù)荷序列VMD分解

VMD 分解后的各模態(tài)中心頻率如表1 所示，其中wi為各分量中心頻率值。通過(guò)觀察不同K值的中心頻率并根據(jù)K值的選取原則最終確定K=5。為了保持原始負(fù)荷序列分解的保真度，本文將懲罰參數(shù)設(shè)定為2 000，并將初始的中心頻率設(shè)置為0。此外，收斂準(zhǔn)則容忍度設(shè)為1×10-7，以避免收斂過(guò)程中的振蕩現(xiàn)象。最后，以測(cè)試集15 d 的負(fù)荷序列為例，經(jīng)VMD 分解得到的子序列如圖3 所示。

表1 不同K取值時(shí)的中心頻率Table 1 Center frequency with different values of K

圖3 VMD負(fù)荷序列分解曲線Fig.3 Curves of load series decomposition using VMD

3.2.2 負(fù)荷序列ISODATA聚類(lèi)

將預(yù)期得到的聚類(lèi)中心數(shù)目設(shè)定為C0=5，每類(lèi)中的最少樣本數(shù)目Nmin=100，最大迭代次數(shù)為200。最終，ISODATA 自動(dòng)將負(fù)荷劃分為6 類(lèi)，每一類(lèi)的負(fù)荷曲線變化趨勢(shì)如圖4 所示，由圖4 可以看到，各類(lèi)負(fù)荷曲線都呈現(xiàn)不同的變化趨勢(shì)，且同一類(lèi)型負(fù)荷分布在一定的區(qū)間范圍內(nèi)，這表明ISODATA 的聚類(lèi)效果較好，有助于接下來(lái)的DBN負(fù)荷預(yù)測(cè)模型對(duì)這些不同類(lèi)型的負(fù)荷特點(diǎn)進(jìn)行挖掘和學(xué)習(xí)。

圖4 ISODATA負(fù)荷序列聚類(lèi)曲線Fig.4 Curves of load series clustering using ISODATA

3.2.3 DBN網(wǎng)絡(luò)參數(shù)選取

在采用VMD 和ISODATA 算法對(duì)負(fù)荷序列進(jìn)行分解聚類(lèi)預(yù)處理后，需要進(jìn)一步確定DBN 模型的網(wǎng)絡(luò)參數(shù)。DBN 網(wǎng)絡(luò)參數(shù)的仿真結(jié)果如表2 所示。

表2 DBN 不同網(wǎng)絡(luò)參數(shù)預(yù)測(cè)結(jié)果Table 2 Prediction results of DBN model with different parameters

由表2 可知，將DBN 網(wǎng)絡(luò)中RBM 層數(shù)設(shè)定為3 層，相應(yīng)隱藏層神經(jīng)元個(gè)數(shù)分別為200，300 和400 時(shí)，MAE 誤差指標(biāo)值最小。其他參數(shù)設(shè)置如下：RBM 輸入特征向量維數(shù)10，學(xué)習(xí)率為0.01，迭代次數(shù)為100 次。

3.3 實(shí)驗(yàn)結(jié)果對(duì)比

3.3.1 不同組合模型對(duì)比

為驗(yàn)證所提組合模型的預(yù)測(cè)性能，分別利用DBN（M1）、ISODATA-DBN（M2）、VMD-DBN（M3）、及VMD-ISODATA-DBN（M4）對(duì)測(cè)試集上某一日負(fù)荷進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果及其誤差曲線分別如圖5 和圖6 所示。由圖5、圖6 可以看到，VMD-ISODATADBN 的組合模型在波峰與波谷處擬合效果更好，相較單一預(yù)測(cè)模型，對(duì)負(fù)荷數(shù)據(jù)先進(jìn)行分解聚類(lèi)再預(yù)測(cè)的組合模型能夠充分地挖掘負(fù)荷波動(dòng)的非線性特征，且模型預(yù)測(cè)結(jié)果更加精確。

圖5 不同組合模型預(yù)測(cè)結(jié)果曲線Fig.5 Prediction result curves for different combinations of models

圖6 不同組合模型預(yù)測(cè)誤差曲線Fig.6 Prediction error curves for different combinations of models

不同組合預(yù)測(cè)模型的誤差評(píng)價(jià)指標(biāo)如表3 所示。與模型M1，M2及M3相比，模型M4的MAE 值分別減少5.991 2 kW，4.759 3 kW，1.220 1 kW，RMSE值分別下降6.683 6 kW，5.148 7 kW，1.585 9 kW，MAPE 值分別降低6.618 9%，4.646 3%，1.988 2%，而R2值分別提高了10.44%，5.07%，2.51%。

表3 不同組合模型預(yù)測(cè)誤差比較Table 3 Comparison of forecasting errors between different combination models

3.3.2 不同分解算法對(duì)比

為驗(yàn)證VMD 算法的優(yōu)勢(shì)，本文將EMD[15]及EEMD[22]算法用于負(fù)荷數(shù)據(jù)的分解，再分別利用EMD-ISODATA-DBN（D1）、EEMD-ISODATA-DBN（D2）及VMD-ISODATA-DBN（D3）對(duì)相同日負(fù)荷進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果及其誤差曲線分別如圖7 和圖8所示。

圖7 不同分解算法模型預(yù)測(cè)結(jié)果曲線Fig.7 Prediction result curves for models based on different decomposition algorithms

圖8 不同分解算法模型預(yù)測(cè)誤差曲線對(duì)比Fig.8 Prediction error curves for models with different decomposition algorithms

不同分解算法模型的誤差評(píng)價(jià)指標(biāo)對(duì)比如表4所示。與EMD 及EEMD 相比，利用VMD 分解的MAE 值分別減少1.051 4 kW，0.424 9 kW，RMSE 值分別下降1.569 9 kW，0.753 1 kW，MAPE 值分別降低1.076 3%，0.408 6%，而R2值則分別提高了2.06%，1.37%。

表4 不同分解算法模型誤差評(píng)價(jià)指標(biāo)對(duì)比Table 4 Comparison of error evaluation indexes between models with different decomposition algorithms

3.3.3 不同聚類(lèi)算法對(duì)比

為驗(yàn)證ISODATA 算法的合理性，本文將Kmeans[15]及模糊C 均值（Fuzzy C-means，F(xiàn)CM）[23]算法用于負(fù)荷數(shù)據(jù)的聚類(lèi)，再分別利用VMD-K-means-DBN（C1），VMD-FCM-DBN（C2）及VMD-ISODATADBN（C3）對(duì)相同日負(fù)荷進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果及其誤差曲線分別如圖9 和圖10 所示。

圖9 不同聚類(lèi)算法模型預(yù)測(cè)結(jié)果曲線Fig.9 Prediction result curves for models with different cluster algorithms

不同聚類(lèi)算法模型的誤差評(píng)價(jià)指標(biāo)對(duì)比如表5所示。與K-means 及FCM 相比，利用ISODATA 聚類(lèi)的MAE 值分別減少1.172 6 kW，0.475 7 kW，RMSE 值分別下降1.694 9 kW，0.787 1 kW，MAPE值分別降低1.270 8%，0.496 7%，而R2值分別提高了2.75%，1.54%。

表5 不同聚類(lèi)算法模型誤差評(píng)價(jià)指標(biāo)對(duì)比Table 5 Comparison of error evaluation indexes between models with different cluster algorithms

3.3.4 不同預(yù)測(cè)模型對(duì)比

為驗(yàn)證DBN 模型的預(yù)測(cè)效果，本文將堆疊自編碼 器（Stacked Autoencoders，SAEs）[24]、DCNN[11]及LSTM[9，25]作為負(fù)荷預(yù)測(cè)模型，再分別利用VMDISODATA-SAEs（P1）、VMD-ISODATA-DCNN（P2）、VMD-ISODATA-LSTM（P3）及VMD-ISODATA-DBN（P4）對(duì)相同日負(fù)荷進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果及其誤差曲線分別如圖11 和圖12 所示。

圖11 各預(yù)測(cè)模型預(yù)測(cè)結(jié)果曲線Fig.11 Prediction result curves for forecasting models

圖12 各預(yù)測(cè)模型預(yù)測(cè)誤差曲線Fig.12 Prediction error curves for forecasting models

各預(yù)測(cè)模型的誤差評(píng)價(jià)指標(biāo)對(duì)比如表6 所示。與SAEs，DCNN 及LSTM 相比，利用DBN 預(yù)測(cè)的MAE值分別減少0.229 3 kW，0.254 7 kW，0.074 4 kW，RMSE值分別下降0.295 9 kW，0.753 1 kW，0.232 5 kW，MAPE 值分別降低0.231 3%，0.366 1%，0.181 8%，而R2值分別提高了0.62%，0.57%。

表6 各預(yù)測(cè)模型誤差評(píng)價(jià)指標(biāo)對(duì)比Table 6 Comparision of error evaluation indexes between forecasting models

表10 不同聚類(lèi)算法模型預(yù)測(cè)誤差曲線對(duì)比Fig.10 Prediction error curves for models with different cluster algorithms

由算例分析結(jié)果可得，本文提出的組合預(yù)測(cè)方法相較各對(duì)比方法，不僅在預(yù)測(cè)精度上表現(xiàn)更加優(yōu)異，而且在各評(píng)價(jià)指標(biāo)上也取得了更好的結(jié)果，能夠更加準(zhǔn)確地反映出系統(tǒng)的變化趨勢(shì)，更好地實(shí)現(xiàn)電力負(fù)荷的精確預(yù)測(cè)。

4 結(jié)論

針對(duì)配電臺(tái)區(qū)短期負(fù)荷預(yù)測(cè)問(wèn)題，本文提出了一種基于VMD，ISODATA 和DBN 的組合預(yù)測(cè)方法。采用VMD 預(yù)處理原始負(fù)荷序列，利用ISODATA 聚類(lèi)分析將負(fù)荷類(lèi)別進(jìn)行劃分。在每個(gè)訓(xùn)練集中采用DBN 進(jìn)行負(fù)荷預(yù)測(cè)，將各負(fù)荷類(lèi)別預(yù)測(cè)值疊加得到最終負(fù)荷預(yù)測(cè)值。仿真實(shí)驗(yàn)結(jié)論如下：

1）該方法采用VMD 算法將強(qiáng)非線性的原始負(fù)荷數(shù)據(jù)分解為若干模態(tài)分量，從而降低了原始負(fù)荷數(shù)據(jù)的非平穩(wěn)性，改善了負(fù)荷數(shù)據(jù)質(zhì)量。

2）運(yùn)用ISODATA 算法將分解后時(shí)序特征相似的分量進(jìn)行聚類(lèi)處理，產(chǎn)生重組的負(fù)荷分量序列，增強(qiáng)了負(fù)荷時(shí)序特征，提高了預(yù)測(cè)模型的訓(xùn)練速度。

3）采用DBN 作為預(yù)測(cè)模型，克服了DCNN、LSTM 等深度神經(jīng)網(wǎng)絡(luò)初始參數(shù)隨機(jī)給定的缺點(diǎn)，有效提高了預(yù)測(cè)效率和精度。