基于DWT-Informer的臺區(qū)短期負(fù)荷預(yù)測

李甲祎,趙兵,劉宣,劉興奇

(中國電力科學(xué)研究院有限公司, 北京 100192)

0 引 言

電力負(fù)荷預(yù)測是電力管理系統(tǒng)的重要組成部分。短期負(fù)荷預(yù)測是指對未來幾小時(shí)一天至幾天的電力負(fù)荷進(jìn)行預(yù)測的任務(wù),開展短期負(fù)荷預(yù)測不但能為電力系統(tǒng)的安全、經(jīng)濟(jì)運(yùn)行提供保障,也是市場環(huán)境下編排調(diào)度計(jì)劃、供電計(jì)劃、交易計(jì)劃的基礎(chǔ)[1]。精確的短期負(fù)荷預(yù)測是實(shí)現(xiàn)電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行的基礎(chǔ),為電力市場的實(shí)時(shí)運(yùn)行提供了重要的依據(jù),同時(shí)也是提高發(fā)電設(shè)備利用率和經(jīng)濟(jì)調(diào)度有效性的重要保證[2]。

現(xiàn)有的短期負(fù)荷預(yù)測方法基本可以分為基于傳統(tǒng)數(shù)學(xué)統(tǒng)計(jì)方法的負(fù)荷預(yù)測方法和基于機(jī)器學(xué)習(xí)的負(fù)荷預(yù)測方法兩大類。

基于傳統(tǒng)數(shù)學(xué)統(tǒng)計(jì)學(xué)方法的負(fù)荷預(yù)測,如回歸分析法、卡爾曼濾波法、負(fù)荷求導(dǎo)法、指數(shù)平滑法等。該類方法的優(yōu)點(diǎn)為結(jié)構(gòu)簡單,運(yùn)算及預(yù)測速度較快且擁有較好的可擴(kuò)展性[3]。然而傳統(tǒng)數(shù)學(xué)統(tǒng)計(jì)學(xué)方法依賴于統(tǒng)計(jì)學(xué)規(guī)律特征,面對非線性的、不穩(wěn)定的數(shù)據(jù)時(shí)常常無法準(zhǔn)確提取數(shù)據(jù)特征、學(xué)習(xí)統(tǒng)計(jì)規(guī)律,表現(xiàn)較差。這種問題在短期負(fù)荷數(shù)據(jù)預(yù)測任務(wù)中表現(xiàn)更為明顯。為了進(jìn)一步提升算法的特征提取和學(xué)習(xí)能力,基于機(jī)器學(xué)習(xí)的方法應(yīng)運(yùn)而生。

傳統(tǒng)機(jī)器學(xué)習(xí)方法包括支持向量機(jī)(support vector machine,SVM)、隨機(jī)森林等。近十年來,基于進(jìn)化算法或群智能算法的機(jī)器學(xué)習(xí)模型也被用于負(fù)荷預(yù)測工作,例如文獻(xiàn)[4]將基于加權(quán)灰色關(guān)聯(lián)度選取的歷史負(fù)荷數(shù)據(jù)輸入支持向量機(jī),并采取人工蟻群算法對參數(shù)進(jìn)行優(yōu)化,提出了一種基于加權(quán)灰色關(guān)聯(lián)度和改進(jìn)的支持向量機(jī)與人工蜂群算法(ABC-SVM)負(fù)荷預(yù)測模型。文獻(xiàn)[5-6]對傳統(tǒng)機(jī)器學(xué)習(xí)負(fù)荷預(yù)測模型進(jìn)一步改進(jìn)提高其預(yù)測精度。然而傳統(tǒng)機(jī)器學(xué)習(xí)在面對短期負(fù)荷預(yù)測問題時(shí),由于經(jīng)典模型結(jié)構(gòu)較為簡單,因此在處理多維數(shù)據(jù)輸入時(shí)具有較大局限性,同時(shí)傳統(tǒng)機(jī)器學(xué)習(xí)方法在挖掘長期的復(fù)雜非線性時(shí)序數(shù)據(jù)時(shí)易丟失大量信息導(dǎo)致預(yù)測精度不佳。

在機(jī)器學(xué)習(xí)模型中,近十多年來基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法憑借其在預(yù)測準(zhǔn)確率上的明顯優(yōu)勢,在時(shí)序性短期電力負(fù)荷的預(yù)測中已經(jīng)得到了廣泛應(yīng)用。國內(nèi)外研究學(xué)者通過改進(jìn)單一預(yù)測模型及應(yīng)用混合模型進(jìn)一步提升電力負(fù)荷預(yù)測精度。電力負(fù)荷數(shù)據(jù)可以被視作對特定物理量以特定頻率進(jìn)行采樣后獲得的等間隔時(shí)間序列?；谘h(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的長短時(shí)記憶網(wǎng)絡(luò)(long short-term memory,LSTM)憑借其對時(shí)序信息的動(dòng)態(tài)處理能力已經(jīng)被廣泛應(yīng)用于時(shí)間序列預(yù)測任務(wù)中。文獻(xiàn)[7]利用高質(zhì)量大規(guī)模電力負(fù)荷數(shù)據(jù)和環(huán)境氣象數(shù)據(jù)對LSTM網(wǎng)絡(luò)進(jìn)行訓(xùn)練,證實(shí)LSTM網(wǎng)絡(luò)模型可以根據(jù)以往的負(fù)荷數(shù)據(jù)和環(huán)境氣象數(shù)據(jù),對電力負(fù)荷進(jìn)行精確度較高的預(yù)測。文獻(xiàn)[8]建立了基于Wide &Deep-LSTM的深度學(xué)習(xí)短期負(fù)荷預(yù)測模型,兼具數(shù)值型與類別型數(shù)據(jù)信息融合特性和時(shí)間序列表達(dá)特性。文獻(xiàn)[9]提出了一種基于聚類經(jīng)驗(yàn)?zāi)B(tài)分解的CNN-LSTM超短期負(fù)荷預(yù)測模型,通過K-means算法聚類得到時(shí)序特征更加突出的時(shí)間序列,利用CNN挖掘數(shù)據(jù)間的特征形成特征向量,將其輸入到LSTM中進(jìn)行負(fù)荷預(yù)測。文獻(xiàn)[10-11]提出了基于GRU等其他深度學(xué)習(xí)負(fù)荷預(yù)測模型,在其基礎(chǔ)上改進(jìn)了特征提取模塊,使負(fù)荷預(yù)測具有更高的準(zhǔn)確性。

注意力(Attention)機(jī)制通過對輸入特征賦予不同權(quán)重以突出重要特征的影響[12],在圖像處理、自然語言處理等多領(lǐng)域均被證明有益于提高深度學(xué)習(xí)模型性能,近年來注意力機(jī)制也被引入負(fù)荷預(yù)測問題中。文獻(xiàn)[13-15]提出了基于注意力機(jī)制混合模型的短期電力負(fù)荷預(yù)測方法,并進(jìn)一步通過結(jié)合模態(tài)分解等方法充分提取負(fù)荷數(shù)據(jù)中的有效特征。

盡管RNN可以較好地提取負(fù)荷的時(shí)序特征,囿于計(jì)算特性,基于循環(huán)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)的串行計(jì)算方式嚴(yán)重限制了其并行的能力[16],近年來,其他網(wǎng)絡(luò)結(jié)構(gòu)也進(jìn)入討論范疇。Transformer模型摒棄了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò),基于自注意力機(jī)制提取序列之間的關(guān)聯(lián)性,相較于RNN類網(wǎng)絡(luò),Transformer在長期依賴性、信息傳遞效率等方面均具有優(yōu)勢。文獻(xiàn)[17]在原模型基礎(chǔ)上提出了一種改進(jìn)后適用于時(shí)序數(shù)據(jù)預(yù)測的Transformer模型。文獻(xiàn)[18]提出融合模型XGB-Transformer用于電力負(fù)荷預(yù)測。文獻(xiàn)[19]提出了用于長序列時(shí)間序列預(yù)測的新型Transformer模型Informer,該模型采用概率注意機(jī)制同時(shí)嵌入相關(guān)的時(shí)間特征,使模型可以有效預(yù)測長序列。本文在電力變壓器和用電負(fù)荷的時(shí)間序列數(shù)據(jù)集上對Informer進(jìn)行了測試,其性能優(yōu)于LSTM等傳統(tǒng)模型。

綜上所述,文中所提出的基于DWT-Informer的臺區(qū)短期負(fù)荷預(yù)測模型,首先采用DWT將輸入的電流數(shù)據(jù)進(jìn)行高低頻率分解重組,對電流數(shù)據(jù)降噪,提高預(yù)測精度,再通過結(jié)合Prophet模塊的Informer模型對臺區(qū)短期負(fù)荷進(jìn)行預(yù)測。最終通過消融實(shí)驗(yàn)結(jié)果和與其他預(yù)測模型對比分析,結(jié)果表明該方法能有效提高預(yù)測精度。

1 模型基本理論

文中所提出的基于DWT-Informer的臺區(qū)短期負(fù)荷預(yù)測模型,其輸入為臺區(qū)的電流數(shù)據(jù)、電壓數(shù)據(jù)、歷史有功功率數(shù)據(jù),其預(yù)測對象為該臺區(qū)的有功功率,具體步驟如下:

1)通過Prophet模型對時(shí)間信號進(jìn)行處理,提取時(shí)序特征;

2)通過離散小波變換將電氣特性進(jìn)行信號分解,實(shí)現(xiàn)對信號的降噪處理;

3)使用Prophet處理后的時(shí)序分量代替原Informer模型對時(shí)間分量的處理,將經(jīng)過降噪后的數(shù)據(jù)輸入改進(jìn)后的Informer模型進(jìn)行預(yù)測。

1.1 Prophet模型原理介紹

Prophet通過擬合歷史數(shù)據(jù),將時(shí)間序列分解為多種不同特征的分量。目前Prophet不僅在負(fù)荷預(yù)測這一問題上憑借其簡單高效得以廣泛應(yīng)用,在時(shí)間序列整體分解方向上也憑借其高解釋性應(yīng)用廣泛。它可以將時(shí)間序列分解為趨勢項(xiàng)、周期項(xiàng)或節(jié)假日項(xiàng),其表達(dá)式為:

y(t)=g(t)+s(t)+h(t)+εt

(1)

式中g(shù)(t)表示趨勢項(xiàng),指時(shí)間序列在非周期上面的變化趨勢,其類型分為linear線性變化、flat平穩(wěn)變化、logistics邏輯回歸變化。文中使用默認(rèn)設(shè)置的linear變化,其表達(dá)式如下:

g(t)=(k+α(t)Tδ)×t+(m+α(t)Tγ)

(2)

(3)

其中,k為基本增長率;δ為增長率調(diào)整向量;m為偏移量參數(shù);γ為突變點(diǎn)處的平滑處理偏移量;αj(t)為在第j個(gè)突變點(diǎn)的指示函數(shù)α(t)取值;sj為第j個(gè)突變點(diǎn)所在時(shí)刻。

s(t)為周期項(xiàng),一般來說以周或者年為單位,Prophet采用傅里葉級數(shù)擬合不同周期的周期性趨勢,其表達(dá)式如下:

(4)

其中,P為周期;αγ、bγ為平滑系數(shù),服從正態(tài)分布;N為平滑系數(shù)的個(gè)數(shù)。h(t)為節(jié)假日項(xiàng),表示時(shí)間序列中那些潛在的具有非固定周期的節(jié)假日對預(yù)測值造成的影響。εt表示剩余項(xiàng),其數(shù)值反應(yīng)模型未預(yù)測到的波動(dòng),可視作高斯白噪聲。

1.2 DWT離散小波變換原理介紹

小波變換(wavelet transform,WT)是對信號進(jìn)行時(shí)頻分析的重要手段。其將傅里葉變換中無限長的三角函數(shù)基變換為人為選擇的、有限長度的小波基,解決了短時(shí)傅里葉變化窗口大小無法調(diào)整的問題,成為對信號進(jìn)行時(shí)頻處理與進(jìn)一步分析其特征的重要工具。其含義表達(dá)式如下:

(5)

其中,ψ(x)為小波基函數(shù);a為伸縮參數(shù),對基本小波函數(shù)作伸縮;b為尺度參數(shù)反映位移。

對于許多信號,低頻成分相當(dāng)重要,它常常蘊(yùn)含著信號的特征,而高頻成分則給出信號的細(xì)節(jié)或差別,但高頻信號中同樣存在較多白噪聲,因此需要對高頻分量進(jìn)行進(jìn)一步細(xì)分去噪。

前人研究表明,輸入數(shù)據(jù)質(zhì)量對于負(fù)荷預(yù)測準(zhǔn)確性有著重要影響,因此對于電流數(shù)據(jù)質(zhì)量有著較高要求。DWT可以將信號分解為不同尺度的子信號,與傅里葉變換相比,離散小波變換能夠更好地表達(dá)數(shù)據(jù)蘊(yùn)含的信息。用于對電流信號進(jìn)行降噪處理,使輸入的電流特性更加明確。文中使用的軟硬閾值相結(jié)合的DWT降噪方法可被建模如下:

σ=(1/0.6745)×median|yd|

(6)

(7)

(8)

(9)

其中,ya為小波變換后低頻信號;yd為小波變換后高頻信號;y為小波降噪后的電流信號;λ為閾值。

1.3 ProbSparse Self-attention稀疏自注意力機(jī)制

自注意力機(jī)制的輸入形式為(Query、Key、Value),而后進(jìn)行縮放點(diǎn)積(scaled dot-product),即:

(10)

其中,Q∈RLQ×d,K∈RLK×d,V∈RLV×d。

第i個(gè)query的Attention系數(shù)的概率形式為:

(11)

由于稀疏自注意力呈長尾分布,即少數(shù)點(diǎn)積對主要注意有貢獻(xiàn),其他點(diǎn)積對可以相對忽略。使用KL散度度量對query的稀疏性進(jìn)行度量,第i個(gè)query的稀疏性評價(jià)公式為:

(12)

第一項(xiàng)是qi對于所有key求最大值,第二項(xiàng)為它們的算術(shù)平均值,基于以上評價(jià)方法可以得到上述ProbSparse Self-attetion的公式。

2 基于DWT-Informer的預(yù)測模型

由于電力負(fù)荷影響因素復(fù)雜多樣,負(fù)荷數(shù)據(jù)具有高隨機(jī)性以及大波動(dòng)性的特點(diǎn),因此對輸入數(shù)據(jù)進(jìn)行有效的特征處理對于負(fù)荷趨勢走向預(yù)測的準(zhǔn)確性有重要影響,文中則從預(yù)測前數(shù)據(jù)降噪、模型內(nèi)部編碼層等對預(yù)測模型進(jìn)行改進(jìn),提出基于DWT-Informer的預(yù)測模型。

2.1 模型整體流程

通過Prophet模型處理時(shí)序特征代替原有Informer對時(shí)間序列的編碼可以更明顯地提取時(shí)序特征,通過離散小波變換對電流信號進(jìn)行降噪處理使輸入的電流特性更加明確,進(jìn)而提高Informer對負(fù)荷的預(yù)測精度,具體流程如圖1所示。

圖1 DWT-Informer模型流程圖

2.2 輸入數(shù)據(jù)處理模塊

輸入數(shù)據(jù)處理模塊主要分為Prophet模型對時(shí)間信號進(jìn)行先驗(yàn)處理模塊及DWT對電氣特性進(jìn)行降噪處理模塊。

Prophet先驗(yàn)處理模塊在文中模型中,將時(shí)間信息分解為趨勢項(xiàng)、節(jié)假日項(xiàng)、以1日、7日、1月為周期的不同周期項(xiàng),并直接作為Embedding層的輸入。在相同的時(shí)間分量輸入維度下,加入Prophet先驗(yàn)處理模塊不僅包括原有的時(shí)間周期信息,還包括了與負(fù)荷相關(guān)的趨勢項(xiàng)以及節(jié)假日項(xiàng)等,在不增加Informer運(yùn)算量的前提下提高了預(yù)測精度。

DWT降噪處理模塊將電流信號分解為高頻與低頻信號分量,對于高頻信號而言,文中選取軟硬閾值折中的方法對高頻信號進(jìn)行篩選,取式(8)中a=0.8確定其閾值。文獻(xiàn)[20]比較了不同小波函數(shù)對電力負(fù)荷的處理能力,從中得出結(jié)論對于負(fù)荷預(yù)測任務(wù)最準(zhǔn)確的為db4小波函數(shù),因而文中選用db4作為小波基函數(shù)。大于閾值分量確定為信號產(chǎn)生的有效信息進(jìn)行保留,而小于閾值的確定為噪聲產(chǎn)生直接舍棄,最后將信號重組后得到對原始電流信號進(jìn)行降噪處理后的新電流信號。

2.3 負(fù)荷預(yù)測模塊內(nèi)部結(jié)構(gòu)

Transformer模型整體框架由編碼器-解碼器(Encoder-Decoder)組成,通過編碼層對輸入序列進(jìn)行特征編碼,得到隱藏狀態(tài)輸出序列后再進(jìn)行解碼,進(jìn)而得到預(yù)測值。基于Transformer模型,Informer通過稀疏自注意力機(jī)制降低了計(jì)算的復(fù)雜度,通過自注意力蒸餾減少了預(yù)測網(wǎng)絡(luò)的參數(shù)數(shù)量,更適合對時(shí)序數(shù)據(jù)進(jìn)行預(yù)測。

模型的輸入數(shù)據(jù)為:

(13)

模型輸出為預(yù)測的輸出數(shù)據(jù),即:

(14)

Encoder編碼器用于提取時(shí)序序列數(shù)據(jù)輸入的遠(yuǎn)期依賴性,首先輸入數(shù)據(jù)進(jìn)入Embedding層,分為三個(gè)部分即數(shù)據(jù)的Embedding,位置編碼和基于Prophet特征提取的時(shí)間戳編碼。

由于Encoder的特征映射存在冗余組合,因此利用distilling操作對具有主導(dǎo)特征的優(yōu)勢特征進(jìn)行賦予更高權(quán)重,并在下一層生成自注意力機(jī)制的特征映射。從j到j(luò)+1層的distilling操作的過程如下:

(15)

其中,Conv1d表示時(shí)間序列的一維卷積操作,選擇ELU作為激活函數(shù)。

解碼器Decoder解碼器使用文獻(xiàn)[21]提出的標(biāo)準(zhǔn)decoder結(jié)構(gòu),其的輸入向量如下:

(16)

最后通過全連接層獲取最終輸出,該解碼器結(jié)構(gòu)可一次性生成全部的預(yù)測序列以縮短解碼時(shí)間,改進(jìn)的Informer結(jié)構(gòu)圖如圖2所示。

圖2 改進(jìn)的Informer結(jié)構(gòu)圖

3 實(shí)例結(jié)果

3.1 實(shí)驗(yàn)數(shù)據(jù)集及數(shù)據(jù)預(yù)處理

文中采用東南沿海某城市一臺區(qū)2022年1月1日至2022年12月31日的電力負(fù)荷數(shù)據(jù)集(間隔15 min一個(gè)采樣點(diǎn),每日96點(diǎn),包括電流數(shù)據(jù)、電壓數(shù)據(jù)、無功功率數(shù)據(jù)、有功功率數(shù)據(jù))共35 040組數(shù)據(jù),數(shù)據(jù)集以6:2:2的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集。進(jìn)行訓(xùn)練前采用min-max方法將原始數(shù)據(jù)進(jìn)行歸一化處理,計(jì)算公式如下:

(17)

其中,DWT-Informer主要參數(shù)如表1所示。

表1 DWT-Informer模型參數(shù)表

為了驗(yàn)證模型的預(yù)測精度,衡量指標(biāo)使用平均絕對值誤差(mean absulute error,MAE)、均方誤差(mean square error,MSE)和絕對系數(shù)(R-square)。

(18)

(19)

(20)

3.2 特征提取及分析結(jié)果

通過Prophet對時(shí)間序列分解后的各組成部分如圖3所示,其中趨勢項(xiàng)通過linear變化可以看出,全年在2月、7月、8月該臺區(qū)負(fù)荷趨勢系數(shù)較高,其可能導(dǎo)致因素為:2月為春節(jié)所在月,7月、8月與夏天空調(diào)使用率高相關(guān)。負(fù)荷值一般與月周期、周周期、日周期相關(guān),在傅里葉級數(shù)模擬周期性分量圖中,其月、日周期特征相對比較明顯,周周期特征并非十分顯著,反映了每日該臺區(qū)居民用戶用電行為習(xí)慣為上午5時(shí)—12時(shí)、15時(shí)—21時(shí),用電高峰為19時(shí);每月中下旬用電量較低,月末及上旬用電量較高。通過自定義方式得到中國法定節(jié)假日列表,如圖3所示其節(jié)日系數(shù)在春節(jié)、中秋節(jié)以及國慶節(jié)等節(jié)假日擁有較高的數(shù)值,反映了節(jié)假日特征對負(fù)荷影響顯著。

圖3 Prophet時(shí)序特征項(xiàng)

3.3 電氣特性降噪處理結(jié)果

文中采用以db4作為基礎(chǔ)小波、a=0.8的軟硬閾值方法對原始電流數(shù)據(jù)進(jìn)行分解重構(gòu),如圖4所示。

圖4 DWT對電流信號分解重構(gòu)結(jié)果

經(jīng)軟硬閾值篩選后的高頻信號相較于初步分解后的高頻信號,在保留其高頻特征的基礎(chǔ)上濾除了高頻白噪聲。如圖經(jīng)小波降噪重組后的電流信號相比原始電流信號,在保留其趨勢特征的同時(shí),高頻噪聲幅度明顯下降。

3.4 DWT-Informer模型有效性驗(yàn)證

3.4.1 降噪處理模塊有效性驗(yàn)證

為了驗(yàn)證DWT對電流信號降噪處理對于時(shí)序序列預(yù)測模型的有效性,對原始訓(xùn)練數(shù)據(jù)分別:不對電流信號進(jìn)行處理、使用離散小波變換對電流信號進(jìn)行處理,通過LSTM模型、GRU模型、Informer模型進(jìn)行負(fù)荷預(yù)測,其結(jié)果如表2所示。

表2 DWT結(jié)合各模型性能表

從表2中可以看出,經(jīng)過DWT對輸入電流進(jìn)行降噪后的預(yù)測效果均優(yōu)于相對比的原始模型。其中,DWT-LSTM、DWT-GRU、DWT-Informer模型的MSE在預(yù)測任務(wù)的數(shù)值比相對應(yīng)的基礎(chǔ)模型分別降低了0.004 5、 0.004 5、 0.004 3;其MAE在預(yù)測任務(wù)的數(shù)值比相對應(yīng)的基礎(chǔ)模型分別降低了0.012 0、 0.012 6、 0.020 0;其R2在預(yù)測任務(wù)的數(shù)值比相對應(yīng)的基礎(chǔ)模型分別提高了0.089 2、 0.085 9、 0.084 8。

在各個(gè)衡量指標(biāo)下,三個(gè)模型在輸入經(jīng)過DWT降噪后的電流數(shù)據(jù)預(yù)測結(jié)果均優(yōu)于原始模型,說明輸入電流數(shù)據(jù)的優(yōu)質(zhì)與否對預(yù)測模型的精度有重要影響,同時(shí)驗(yàn)證了DWT對電流信號降噪處理的有效性,即輸入的電流數(shù)據(jù)經(jīng)過DWT處理后在多種負(fù)荷預(yù)測模型上,都擁有更準(zhǔn)確的預(yù)測結(jié)果。

3.4.2 Prophet模塊有效性驗(yàn)證

為了驗(yàn)證Prophet對時(shí)間特征提取模塊用于Informer的時(shí)間戳編碼對于改進(jìn)Informer預(yù)測模型的有效性,對原始訓(xùn)練數(shù)據(jù)分別采用:使用Informer自帶時(shí)間模態(tài)分解模塊、使用Prophet時(shí)間特征分解模塊,在Informer模型對電流數(shù)據(jù)經(jīng)過DWT降噪處理后進(jìn)行負(fù)荷預(yù)測,其結(jié)果如表3所示。

表3 Informer模型型性能表

從表3中可以看出,使用Prophet提取后作為時(shí)間特征模塊的輸入其預(yù)測結(jié)果要優(yōu)于Informer自帶時(shí)間模態(tài)分解模塊。模型的MSE在預(yù)測任務(wù)的數(shù)值降低了0.004 9;其MAE在預(yù)測任務(wù)的數(shù)值降低了0.022 1;其R2在預(yù)測任務(wù)的數(shù)值提高了0.094 7。

在各個(gè)衡量指標(biāo)下,加入Prophet時(shí)間特征提取模塊的改進(jìn)Informer預(yù)測模型預(yù)測精度優(yōu)于原Informer模型,驗(yàn)證了Prophet對時(shí)間處理用于Informer模型的有效性。

3.4.3 多種預(yù)測模型對比

為了探究文中方法的準(zhǔn)確率提升,使用不同復(fù)合模型對相同的數(shù)據(jù)集進(jìn)行預(yù)測,由于上文消融實(shí)驗(yàn)已證實(shí)DWT處理后在多種負(fù)荷預(yù)測模型上,均擁有更準(zhǔn)確的預(yù)測結(jié)果,選擇復(fù)合模型LSTM-D、GRU-D、XGBoost-D、TCN-D與文中所提出的復(fù)合模型做對比,其結(jié)果見表4。

表4 各復(fù)合模型預(yù)測結(jié)果與真實(shí)值比較

從表4中可以看出,相較于模型LSTM-D、GRU-D、XGBoost-D、TCN-D,DWT-Informer的MSE在預(yù)測任務(wù)的數(shù)值分別降低了0.001 9、0.001 3、0.003 1、0.000 9;其MAE在預(yù)測任務(wù)的數(shù)值分別降低了0.006 5、0.003 0、0.009 5、0.002 2;其R2在預(yù)測任務(wù)的數(shù)值分別提高了0.035 2、0.025 3、0.059 6、0.022 7。為了直觀地觀察各模型的準(zhǔn)確率,選擇測試集中的12月的兩天共192個(gè)點(diǎn),將其真實(shí)值與各模型預(yù)測結(jié)果相對比,其結(jié)果見圖5。

圖5 不同預(yù)測模型對比

4 結(jié)束語

文中針對臺區(qū)短期負(fù)荷預(yù)測問題提出了DWT-Informer網(wǎng)絡(luò)模型,該方法綜合考慮的電氣特性與時(shí)間特性對預(yù)測精度的影響,通過DWT對輸入的電流信號進(jìn)行降噪處理,通過將Prophet分解應(yīng)用于Informer使模型對時(shí)間分量的處理在相同的輸入維度下,包含了更多與負(fù)荷功率相關(guān)的時(shí)間特征信息。通過實(shí)驗(yàn)驗(yàn)證得到了以下結(jié)論:

1)通過實(shí)驗(yàn)驗(yàn)證了LSTM模型、GRU模型、Informer模型與DWT結(jié)合均可提高預(yù)測精度,進(jìn)而驗(yàn)證了DWT對電流信號降噪對于預(yù)測性能提高的有效性。

2)通過實(shí)驗(yàn)驗(yàn)證了將Prophet作為Informer的時(shí)間特征提取模塊對于Informer預(yù)測性能提高的有效性。

3)通過將文中方法與其他經(jīng)典模型的預(yù)測結(jié)果進(jìn)行對比,得出DWT-Informer方法具有更優(yōu)的預(yù)測性能,其MSE、MAE、R2分別為0.010 5、0.073 9、0.794 9。