基于EEMD-GRU的短期電力負荷預(yù)測方法

李 濤，姚 婧，呂雪濤

(1.國網(wǎng)湖北省電力有限公司荊州供電公司，湖北 荊州 434000；2.武漢大學(xué) 計算機學(xué)院，湖北 武漢 430072)

近年來，由于經(jīng)濟發(fā)展和人口增長，全球電力消耗不斷增加[1]。電力能源是影響地區(qū)社會經(jīng)濟發(fā)展的重要因素，對地區(qū)經(jīng)濟的改善作出了重大貢獻。因此，推動經(jīng)濟發(fā)展離不開電力系統(tǒng)的建設(shè)與完善。短期電力負荷預(yù)測(STLF)是電力系統(tǒng)需求側(cè)改革的一個重要方面，也是實現(xiàn)電力系統(tǒng)安全穩(wěn)定運行的重要前提。

現(xiàn)有的短期負荷預(yù)測方法大致可分為傳統(tǒng)統(tǒng)計和機器學(xué)習(xí)2類[2]。傳統(tǒng)統(tǒng)計方法包括線性回歸(LR)分析[3]、指數(shù)平滑[4]和自回歸坐標(biāo)移動正態(tài)分布(ARIMA)[5]。由于負荷數(shù)據(jù)存在許多固有的非線性特征，傳統(tǒng)統(tǒng)計方法不能很好地學(xué)習(xí)這些非線性數(shù)據(jù)[6]，無法滿足STLF對負荷預(yù)測精度的要求。基于機器學(xué)習(xí)的預(yù)測方法包括模糊推理系統(tǒng)[7]、支持向量機(SVM)[8]和人工神經(jīng)網(wǎng)絡(luò)[9]，都具有學(xué)習(xí)非線性特征的能力，其中反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)與基于K-最近鄰(K-NN)和K-means的多標(biāo)簽算法的組合模型在解決STLF方面能獲得更好的表現(xiàn)。然而，BPNN 是一種前饋神經(jīng)網(wǎng)絡(luò)，不能很好地學(xué)習(xí)電力系統(tǒng)中的時序數(shù)據(jù)。為解決這一問題，研究者們將深度學(xué)習(xí)的方法應(yīng)用到負荷預(yù)測領(lǐng)域，處理復(fù)雜的非線性模式。Shi等[10]提出了一種新的基于時間序列的深度遞歸神經(jīng)網(wǎng)絡(luò)(PDRNN)，將一組用戶的負荷分布批量輸入到一個輸入池中，使用聚合智能計量數(shù)據(jù)消除不確定性，通過增加數(shù)據(jù)多樣性和數(shù)據(jù)量來解決過度擬合問題。……