基于小波变换与BiGRU-NN模型的短期负荷预测方法.pdf

第6 0 卷第6 期2023年6 月15日电测与仪 表Electrical Measurement&InstrumentationVol.60 No.6Jun.15,2023基于小波变换与BiGRU-NN模型的短期负荷预测方法曾囿钧，肖先勇，徐方维（四川大学电气工程学院，成都6 10 0 6 5）摘要：为更好地挖掘大量采集数据蕴含的有效信息，提高短期负荷预测精度，文中提出一种基于小波变换与双向门控循环单元（BiGRU）、全连接神经网络（NN）混合模型的短期负荷预测方法。文章利用小波变换将负荷特征数据分解为高频数据以及低频数据，再分别建立高频混合神经网络以及低频混合神经网络模型进行预测。在混合神经网络模型中，将负荷特征数据作为BiGRU-NN网络的输入，利用BiGRU-NN网络学习负荷非线性以及时序性特征，以此进行短期负荷预测。文中以丹麦东部地区的负荷数据作为算例,实验结果表明,该方法与GRU神经网络、DNN神经网络、CNN-LSTM神经网络相比,具有更高的预测精度。关键词：电力系统；短期负荷预测；小波变换；双向门控循环单元；双向门控循环单元-全连接神经网络混合模型D0I:10.19753/j.issn1001-1390.2023.06.015中图分类号：TM715Short-term load forecasting method based on wavelet transform(School of Electrical Engineering,Sichuan University,Chengdu 610065,China)Abstract:In order to better mine the effective information contained in a large amount of collected data and improve the ac-curacy of short-term load forecasting,a short-term load forecasting method based on a hybrid model of wavelet transform andbidirectional gated recurrent unit(BiGRU)and fully-connected neural network(NN)is proposed in this paper.The wavelettransform is used to decompose the load characteristic data into high-frequency data and low-frequency data,and then,ahigh-frequency mixed neural network and a low-frequency mixed neural network model are built respectively to conduct pre-diction.In the hybrid neural network model,the load characteristic data is used as the input of the BiGRU-NN network,andthe BiGRU-NN network is used to learn the load nonlinearity and time series characteristics to perform short-term load pre-diction.Taking the load data of Eastern Denmark as an example,the experimental results show that the proposed methodhas higher prediction accuracy than the GRU neural network,DNN neural network,and CNN-LSTM neural network.Keywords:power system,short-term load forecasting,wavelet transform,bidirectional gated recurrent unit,bidirectionalgated recurrent unit-fully-connected neural network hybrid model0引言由于电能难以大量存储,负荷随时变化,便要求电力系统发电和用电保持供需平衡。提高负荷预测准确率有利于电力公司制定合理生产计划，保证电能供需平衡以及电网平稳运行，同时减少用电成本，避免资源浪费)。随着电网规模扩大,智能电能表的不断普及,电网信息化、数字化程度不断提高，电网对负荷的采集频率以基金项目：国家自然科学基金面上项目（518 7 7 141)文献标识码：Aand BiGRU-NN modelZeng Youjun,Xiao Xianyong,Xu Fangwei海量数据集,也为更精确的负荷预测提供了基础2 。电力负荷具有非线性以及时序性的特点，围绕其特点,国内外学者一直致力于研究更优越的短期负荷预测方法。目前国内外短期负荷预测方法一般分为统计学方法和机器学习方法两大类3。其中统计学方法包括时间序列法和线性回归法4,典型的时间序列法有自回归移动平均值法（Auto Regressive MovingAver-age,ARMA)5,典型的线性回归法有多元线性回归一10 3一文章编号：10 0 1-1390(2 0 2 3)0 6-0 10 3-0 7及采集精度都大幅提升,为电力系统中的负荷预测提供了第6 0 卷第6 期2023年6 月15日法6 。时间序列法将负荷数据看成随时间周期性变化的数列,然后通过历史负荷的统计规律进行预测；线性回归法将各个影响负荷的因素线性叠加得到负荷数据，进而建模利用线性公式进行预测。这两种统计学方法对于具有非线性规律的负荷预测能力有限；另一类机器学习法包括模糊回归模型7 、人工神经网络（A r t i f i c i a l Ne u r a l Ne t w o r k，A NN）8 以及支持向量机(Support Vector Machine,SVM）9 等。文献10 提出一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法，有效提高了短期负荷预测精度。文献11 在传统Elman神经网络结构中增添输人-输出层连接单元，并且对布谷鸟算法进行改进，有效地提高了预测泛化精度。但以上几种基于机器学习的短期负荷预测方法均有不足，模糊回归模型不具备自学习能力，支持向量机处理大数据较为困难，人工神经网络虽然能够解决负荷的非线性问题，但无法学习负荷数据序列相关性，可能会导致预测结果不理想12 。近年来,深度学习发展迅速，成为电力系统负荷预测的有效方法。文献13 运用深度信念网络（DBN），文献14 采用深度神经网络（DNN）,文献15 使用专家系统法进行负荷预测。但是以上几种深度学习方法仍然没有考虑电力负荷数据的时间相关性，都需要人工选择时序特征，破坏了负荷本身的时序性。长短时记忆（LSTM）【16 是一种有效的非线性循环神经网络，它能够同时学习负荷数据的非线性以及时序性特征，并且克服普通循环神经网络梯度消失的问题，但该方法收敛过慢。门控循环单元（Gated Recurrent Unit，GRU)是在LSTM的基础上进行改进优化的神经网络，它在保持LSTM准确率的同时,拥有更快的收敛速度，在文本分类领域应用较广17 。GRU神经网络法仅仅考虑历史时刻对预测时刻的影响，而实际情况下，电力负荷由历史影响因素与未来影响因素共同决定。为提高短期负荷预测精度，针对上述问题，文中提出一种基于小波变换与双向门控循环单元（BiGRU)-全连接神经网络（NN)的短期负荷预测方法，记为WT-BiGRU-NN。它结合了小波变换和BiCRU-NN模型的优点，首先运用小波变换将负荷特征数据进行分解，得到高频特征数据以及低频特征数据，再将特征数据以时序数据的形式作为BiGRU-NN模块的输入，BiGRU-NN模块不仅能够考虑到历史时刻负荷影响因素对于当前负荷的影响，同时也考虑到未来时刻负荷影响因素对于当前负荷的影响，并且能够很好地学习负荷数据的非线性以及时序性特征。为验证所提方法的优越一10 4一电测与仪表Electrical Measurement&Instrumentation性,分别用WT-BiGRU-NN模型以及传统的GRU神经网络、DNN神经网络、CNN-LSTM神经网络在丹麦东部地区做负荷预测实验并且进行对比分析。1WT-BiGRU-NN混合神经网络模型1.1 小波变换小波变换（WaveletTransform，WT）是一种新的变换分析方法，它提供了一个随频率变化的“时间-频率”窗口，可以有效地处理信号的时域以及频域内容。小波变换运用伸缩平移运算对信号逐步进行多尺度细化，通过对时频信号分析要求的自动适应去观察信号的任意细节,在低频处详细划分频率,在高频处详细划分时间18 ,解决了傅里叶变换的困难问题,在当今科学研究中得到广泛应用。为更加有效地学习负荷数据特征，文中提出运用db5小波变换将负荷特征数据分解为高频以及低频数据，再分别将其作为对应高低频混合神经网络模块输入。1.2 BiGRU 模型循环神经网络（RecurrentNeural Network，R NN）以序列数据作为输入，由于其神经元不仅可以接受来自其它神经元的信息,并且可以接受来自自身的信息,所以RNN具有记忆性、参数共享等特点，非常适合用于序列的非线性特征学习19。为了解决RNN 梯度消失，不能学习较久远信息的问题，研究人员提出了长短时记忆网络（Long-Short Time Memory,LSTM），它能够学习长短期序列数据之间的依赖信息。GRU是近年来提出的LSTM网络的一种变体，它相较于LSTM训练参数更少,又能够保持LSTM良好的预测结果,同时收敛效果更好。GRU模型内部与LSTM相似，由更新门和重置门构成，不同的是GRU用单一的更新门替代LSTM的输入门和遗忘门。其中,更新门代表前一时刻神经元隐藏层输出信息对当前时刻隐藏层的影响程度，更新门值越大代表影响越大；重置门代表前一时刻神经元隐层输出的被忽略程度，重置门值越大代表信息忽略得越少。GRU具体结构如图1所示。ht-1htEanh图 1 CRU 结构图Fig.1GRU structure diagramVol.60 No.6Jun.15,2023ht第6 0 卷第6 期2023年6 月15日GRU的隐藏层单元h，可以由以下公式计算得到：r,=g(W,x,+U,ht-1)(1)z,=(W,x,+U,hr-1)(2)h,=tanh(r,Uh,-1+Wx,)(3)h,=(1-z,)h,+z,ht-1(4)上述公式中：r,为重置门；z,为更新门；为Sig-moid函数;W.、U、W,、U,W、U 为训练参数矩阵;tanh为双曲正切函数；当前的候选激活状态h,由重置门r，、前一时刻隐藏层输出ht-1、当前时刻输入t、以及W、U训练参数矩阵共同决定；z,ht-1表示z,和ht-1的对应元素相乘。在单向的神经网络中,状态总是按照序列从前到后输出。然而,在电力负荷预测中,某一时刻的负荷与上一时刻以及未来的某一时刻都有关联,将过去负荷影响因素、未来负荷影响因素与当前负荷预测联系起来,更有利于负荷数据深层次特征的提取。双向门控循环单元（Bidirectional Gated Recurrent Unit,BiGRU）神经网络能够达成这一目的。如图2 所示。hi-1hi+1X-1X+1图2 BiGRU结构模型Fig.2 Bidirectional GRU structure diagramBiCRU当前时刻的隐藏层状态h，由当