穆昱壯，車浩然，夏偉峰，張家豪

（1.海南電網(wǎng)有限責任公司三亞供電局，海南 三亞 572099；2.國電電力朝陽熱電有限公司，遼寧 朝陽 122000；3.沈陽工程學(xué)院 自動化學(xué)院，遼寧 沈陽 110136；4.國家能源集團遼寧電力有限公司沈西熱電廠，遼寧 沈陽 110002）

準確地預(yù)測電力負荷能夠輔助電力部門制定出合理的發(fā)電和用電計劃，保障電網(wǎng)安全穩(wěn)定運行［1-2］。然而，隨著大規(guī)模新能源的并網(wǎng)，電力負荷多樣性的不斷增加，如何進一步提高短期電力負荷預(yù)測的準確性，也成為了眾多學(xué)者研究的重點。

在當前常見的預(yù)測模型中，LSTM 在短期負荷預(yù)測時有著收斂快、預(yù)測準確度高等優(yōu)點而被廣泛應(yīng)用［3-5］。由于隱含層節(jié)點數(shù)和學(xué)習率等超參數(shù)的選擇不同，這就導(dǎo)致了模型的預(yù)測效果存在著巨大的差異。為了提高模型效果，文獻［6］為尋找LSTM 模型的最優(yōu)參數(shù)，引入了粒子群算法進行優(yōu)化，仿真結(jié)果顯示：相較于未經(jīng)優(yōu)化的模型，該模型的效果更好，然而粒子群算法中由于參數(shù)權(quán)重固定，導(dǎo)致算法陷入局部最優(yōu)，影響優(yōu)化效果。文獻［7］采用了麻雀算法進行尋優(yōu)，仿真結(jié)果表明：經(jīng)過優(yōu)化后的LSTM 模型準確度更好，但其也存在局部搜索能力較差的問題，易陷入局部最優(yōu)。相較于傳統(tǒng)優(yōu)化算法，文獻［8］采用了AHA 對模型進行尋優(yōu)，其仿真結(jié)果表明了該算法尋優(yōu)效果更好，全局搜索能力更強。因此，本文采用AHA 算法對LSTM模型進行優(yōu)化。

為了更好地發(fā)掘出電力負荷歷史數(shù)據(jù)中存在的信息，減少外部噪聲干擾，提高預(yù)測精度，目前多采用數(shù)據(jù)分解的方式對負荷數(shù)據(jù)進行處理［9］。文獻［10］采用經(jīng)驗?zāi)B(tài)分解（EMD）對原始數(shù)據(jù)進行了處理，經(jīng)過處理后的預(yù)測結(jié)果相較于未處理的情況有了較大提升，但EMD存在模態(tài)混疊現(xiàn)象，也會造成準確度下降。為了解決此問題，本文采用能克服此問題的VMD對數(shù)據(jù)進行處理。

綜上所述，為了提高短期電力負荷的預(yù)測準確度，本文提出了一種基于VMD-AHA-LSTM 的預(yù)測方法。該方法首先通過VMD 分解對原始數(shù)據(jù)進行處理，減小數(shù)據(jù)噪聲，然后通過AHA 對LSTM模型隱含層神經(jīng)元數(shù)與學(xué)習率進行尋優(yōu)，最后將分解數(shù)據(jù)送入到優(yōu)化后的模型中進行預(yù)測，并對結(jié)果進行重組，得到最終預(yù)測結(jié)果。

1 算法原理

1.1 人工蜂鳥算法

1）引導(dǎo)覓食

在引導(dǎo)覓食過程中，蜂鳥會引導(dǎo)前往最高訪問級別的食物源處，然后在這些食物源中挑選出花蜜補充效率最好的作為目標。當目標確認后，蜂鳥開始前往目標點覓食，在搜尋過程中，利用AHA算法對3種飛行方式進行建模。

軸向飛行定義如下：

式中，randi([1,d])表示生成一個從1 到d的隨機整數(shù)。

對角飛行數(shù)學(xué)模型如下：

式中，randperm(k)表示建立一個從1 到k的整數(shù)隨機序列；r為（0，1］的隨機數(shù)。

全向飛行的定義如下：

模擬引導(dǎo)覓食行為和候選食物源的數(shù)學(xué)方程如下：

式中，xi(t)為在第t次迭代時第i個食物源的位置；xi,tar(t)為第i只蜂鳥計劃訪問的目標食物源的位置；a為一個服從標準正態(tài)分布的引導(dǎo)因子。

第i個食物源的位置更新如下：

式中，f(?)表示函數(shù)適應(yīng)度值。

2）區(qū)域性覓食

當蜂鳥到達目標點并吸食花蜜之后，存在一定概率不會繼續(xù)訪問現(xiàn)有食物源，而是去選擇自己所在區(qū)域的附近尋找新的食物源，新食物源可能比之前的食物源更好。通過模擬蜂鳥在新食物源中的局部搜索與該區(qū)域性覓食方案的公式如下：

式中，b是服從標準正態(tài)分布的區(qū)域性覓食因子。

3）遷徙覓食

如果蜂鳥之前常去的區(qū)域出現(xiàn)食物匱乏時，它們就會向較遠的地方進行遷徙，以尋找更好的食物源，這種尋找新區(qū)域的公式如下：

式中，xwor為種群中匱乏的食物源。

上述優(yōu)化模型的整體流程如圖1所示。

圖1 AHA算法流程

1.2 VMD

VMD 作為時頻分析方法，其認為任意信號都能由多個中心頻率與帶寬一定的信號所構(gòu)成。相對于EMD 分解，VMD 能夠克服模態(tài)混疊造成的影響，降低時間序列數(shù)據(jù)的復(fù)雜程度，使其平穩(wěn)化并得到多個分量，適用于分解非線性和非平穩(wěn)性數(shù)據(jù)。

1.3 LSTM

傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）在處理長期數(shù)據(jù)時效果不理想，會出現(xiàn)梯度消失等問題，影響預(yù)測效果。因此，為了解決此問題，一些學(xué)者在RNN 的基礎(chǔ)上提出了LSTM 模型，通過添加3個門對RNN存在的問題進行改善，LSTM 模型的基本結(jié)構(gòu)如圖2所示。

圖2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

各個模塊所對應(yīng)的表達式如式（8）～式（13）所示：

式中，ft、it、ot分別是遺忘門、輸入門和輸出門；ct、ci、ht分別表示輸入節(jié)點、狀態(tài)單元和中間輸出的狀態(tài)；ht-1與xt表示中間輸入狀態(tài)；W表示各門的矩陣權(quán)重；⊙表示向量中元素按位相乘；tanh 與σ表示激活函數(shù)；b表示各門偏置向量。

2 模型搭建

考慮到原始負荷數(shù)據(jù)的復(fù)雜性及波動性，對原始負荷數(shù)據(jù)進行VMD 分解，模型流程如圖3所示，具體步驟如下：

圖3 模型流程

1）輸入原始數(shù)據(jù)，采用VMD 算法對負荷數(shù)據(jù)進行處理，將其分解為多個不同分量；

2）通過AHA 優(yōu)化算法尋找模型最佳參數(shù)，將各模態(tài)量輸入到優(yōu)化后的LSTM模型中進行訓(xùn)練；

3）將各個模態(tài)量的預(yù)測結(jié)果進行重構(gòu)，得到最終的預(yù)測結(jié)果。

3 算例分析

圖4 為我國南方某市2016 年1 月真實負荷數(shù)據(jù)，數(shù)據(jù)間隔為15 min，每日96 條，共計2 976 條負荷數(shù)據(jù)。采用最后一天數(shù)據(jù)作為測試結(jié)果，之前數(shù)據(jù)作為訓(xùn)練集送入到BP、RBF、LSTM、AHALSTM 和本文所提出的模型中進行訓(xùn)練，最后將本文所提出的模型與其他4種模型進行對比。

圖4 原始電力負荷數(shù)據(jù)

數(shù)據(jù)分解結(jié)果如圖5 所示，從圖中可以看出：相較于原始數(shù)據(jù)，經(jīng)過分解后的數(shù)據(jù)隨機性明顯減小，數(shù)據(jù)波動逐漸趨于平穩(wěn)，IMF5也顯示出原始數(shù)據(jù)整體的變化趨勢。

圖5 VMD數(shù)據(jù)分解

為了驗證本文所提出模型的優(yōu)越性，分別將其與BP、RBF、LSTM和AHA-LSTM模型進行對比，各模型預(yù)測結(jié)果的對比情況如圖6所示。

圖6 各模型預(yù)測結(jié)果

從表1中可以清楚地看出：VMD-AHA-LSTM模型相較于BP模型，MAE減小42.1127MW，RMSE減小80.6135MW，MAPE減小0.9857%；相較于RBF模型，本文模型的MAE減小242.8706 MW，RMSE減小303.5504MW，MAPE減小6.0505%；相較于LSTM模型，本文模型的MAE減小38.9665 MW，RMSE減小59.8727MW，MAPE減小0.9315%；相較于AHA-LSTM模型，本文模型的MAE減小30.2694MW，RMSE減小56.0184MW，MAPE減小0.7384%。綜上所述，本文所提出的VMDAHA-LSTM模型在各個指標的對比中效果最好，誤差最低，準確度最高，預(yù)測值與真實值最為接近。

表1 預(yù)測結(jié)果評估

從圖6中可以看出：4種對比模型和本文提出的模型都能對負荷進行較為有效的預(yù)測，整體的預(yù)測曲線與真實曲線基本吻合，但相比其他模型，本文所提出模型的預(yù)測結(jié)果更接近真實值，具有較高的預(yù)測精度。

為了驗證所提出模型的預(yù)測效果，本文分別采用根均方差（RMSE）、平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE）作為評估指標對模型進行評價，各模型評估指標結(jié)果如表1所示。

4 結(jié)語

針對當前復(fù)雜原始負荷數(shù)據(jù)導(dǎo)致的預(yù)測難度較大、準確度欠佳等問題，本文設(shè)計了一種基于VMD-AHA-LSTM 的短期電力負荷預(yù)測模型。首先，采用VMD 對負荷數(shù)據(jù)進行分解處理，將非平穩(wěn)數(shù)據(jù)分解成多個相對平穩(wěn)的分量；其次，采用AHA 算法對LSTM 模型進行優(yōu)化，提高模型的預(yù)測精準度；最后，采用優(yōu)化后的模型分別預(yù)測各分量值并將其重構(gòu)，得到最終的預(yù)測結(jié)果。以我國南方某巿真實數(shù)據(jù)為例，通過與不同預(yù)測模型的預(yù)測結(jié)果進行對比，得出本文所提出模型在各指標對比中均優(yōu)于其他模型，預(yù)測效果最好。