基于ISSA-BiGRU-Attention的短期電力負荷預測研究

沈夢燕，韋文山，榮 新

（廣西民族大學電子信息學院，南寧 530006）

0 引言

精確的短期電力負荷預測為保證電力系統的平穩工作和電力負荷管理工作提供了保障。目前，針對短期電力負荷預測，已有的前饋神經網絡（BP）［1］較物理統計方法和單一機器學習模型在預測結果的準確度上有所提高，但是對輸入數據進行提取時易丟失時序信息。循環神經網絡（RNN）［2］較BP而言能夠更好地把控輸入信息的時序性，但對于輸入的長序列信息的處理仍然效果不佳。長短期記憶網絡（LSTM）［3］通過引入門控機制改善RNN的上述問題，但其在處理高維長數據時［4］，存在訓練效率較低的問題。

此外，單一的循環神經網絡預測模型效果易受到模型中參數的影響，而通過經驗選擇的參數會造成模擬訓練效率的不平衡,從而大大降低了預測準確度。通過引入智能優化算法選取神經網絡模型中的最優參數進行改進，雖然較單一模型的預測精度有所提高，但由于其存在的搜索算法的缺陷問題無法得到解決，所求最優解的精度往往會受到影響。

綜上所述，文中在現有電力負荷預測模型的基礎上提出如下改進方案：

（1）在BiGRU神經網絡中引入注意力機制，加強重要輸入特征的影響；

（2）對麻雀算法的發現者和跟隨者位置更新方式進行優化，同時引入精英反向學習策略提升算法的搜索能力；

（3）利用改進后的麻雀算法獲取的超參數對BiGRU進行建模優化，提高模型預測精度。

1 改進麻雀算法

1.1 改進的正余弦算法

標準麻雀搜索算法（SSA）中麻雀個體在迭代過程中逐漸聚集，搜索空間逐漸減小，存在陷入局部極值的可能性。針對此問題，文中在SSA發現者位置更新方式中引入正弦余弦算法（SCA）,SCA依賴正余弦函數的振蕩特性尋找最優解，最終于最優解或其附近位置處收斂。在SCA中，引入非線性余弦調整因子和柯西變異算子如式（1），較原SCA算法搜索因子呈線性遞減趨勢而言，進一步平衡了整個搜索過程的全局尋優和局部探索能力。

式（1）中，a=2，前期算法運行時，r1'> 1，賦予搜索因子較大的權重值，且遞減速度較慢，使算法的全局搜索性能得到提高；后期算法尋優過程中，r1'< 1，則增強了算法的局部開發能力，r1'的非線性遞減變化過程，加快了算法的尋優速度。

考慮在麻雀算法整個種群搜索過程中，種群個體位置更新依賴于當前個體位置，所以引入式（2）非線性反正弦調整因子w調節種群搜索過程中個體對當前位置的依賴程度，前期算法運行時，w緩慢遞增，較小的權重降低了對當前個體位置的依賴程度，提高了算法的全局搜索能力；在后期尋優過程中，w則快速增加，較大的權重增強了對當前個體位置的依賴程度，有利于局部尋優，加快收斂速度。

圖1 調整因子動態變化曲線

改進后的發現者位置更新公式如下：

1.2 Levy飛行與T分布擾動

標準的SSA算法中的加入者在向最優區域位置移動時，易發生群體在極短時間內快速聚集的情形，盡管可以獲得快速收斂的效應，但由于群體的復雜性驟降，使得算法陷入局部最優的機率大增。所以，為了更好地改善算法的搜索尋優性能，文中采用動態的選擇策略調整更新加入者位置，即Levy飛行策略和T分布算子擾動策略在一定概率下交互進行，動態更新加入者位置。Levy飛行策略中［5］，通過產生隨機步長，可以提高算法的全局搜索能力，從而增加算法的多樣性。T分布的變異策略中，通過使用T分布變異算子對加入者的位置加以擾動，從而提高了局部搜索性能，降低了算法陷入局部最優解的概率。改進后的發現者位置更新公式如下：

式（4）中，i≥n/2。至于采用什么選擇策略進行目標位置更新，則根據其選擇概率P確定，其計算公式如下：

1.3精英反向學習策略

為了提高麻雀算法的尋優速度，并避免算法的“早熟”情形，在每次的種群迭代過程中引入精英反向學習機制。反向學習（Oppositionbased Learning, OBL）方法使用了雙向評價標準，在每一次迭代時除了評估當次的最優候選解，同時還要將該候選解在反方向的解加以評價，進而在當前解與反向解之間擇優評估最佳的解，作為下一代候選解［6］。研究人員證實，反向解法比當前解接近全局最優預測解的幾率多了百分之五十。因此使用反向學習可以極大增加算法尋找到全局最優預測解的幾率［7］。

在麻雀種群位置更新后，選取適應度值排名前10%的麻雀個體，同時獲取其動態邊界，利用反向學習策略求解反向解，對比更新前后麻雀，如果更優則替代之前的麻雀。

2 短期電力負荷預測模型

本文模型中改進的麻雀算法主要優化BiGRU-Attention中的學習率、迭代次數、隱藏神經元的個數L1、L2四個參數，以預測值和真實值的均方差為適應度函數，在適應度值最小的情況下得到最優參數，并使用最優參數對電力負荷進行短期預測。文中提出的模型結構如圖2所示。

圖2 ISSA-BiGRU-Attention預測流程圖

3 仿真結果分析

采用電工杯數據集2012年1月1日至2012年12月31日共12個月的電力負荷數據對模型進行實驗。其中包括天氣因素和一天96個時刻的電力負荷值，訓練集為前11個月，最后1個月作為測試集。以第T-1天和第T天的平均溫度、最高溫度、最低溫度、相對濕度和降雨量等氣候特征以及第T-1天的96個電力負荷值作為輸入，對第T天的96個時刻的電力負荷值進行預測。

文中通過min-max歸一化方法對負荷數據進行處理，為了評估模型預測的精度，選取均方根誤差RMSE、平均絕對百分誤差MAPE、平均絕對誤差MAE、決定系數R2作為評價標準。為了驗證文中提出的預測模型在電力負荷預測精度方面的優勢，采用BP、RNN、LSTM、SSA-BiGRU-Attention等四種模型作為對比。

各模型的預測結果誤差指標如表1所示，從表1可以看出，文中提出的ISSA-BiGRUAttention模型的預測精度更高，R2達到了97.61%，MAPE較其他四種方法分別降低了5.81%、5.63%、1.74%、0.78%；RMSE分別降低了509.4、420.39、175.37、58.94；MAE分別降低了363.31、331.75、105.44、44.2。

表1 各預測模型誤差指標對比

圖3為2012年12月2日的真實值和不同模型預測值的曲線對比圖，由圖3可知，相較于其他模型，本文所提模型能夠更加平穩地預測負荷數據的變化，在負荷數據劇烈波動的時刻也保證了曲線的平滑度。

圖3 12月2日幾種模型預測結果對比

4 結語

本文提出了一種改進麻雀算法優化的雙向門控循環單元模型。該方法通過改進的麻雀算法優化BiGRU網絡的參數，并在模型中引入注意力機制，加強輸入特征提取的高效性。將ISSA-BiGRU-Attention模型應用于短期電力負荷預測，算例分析結果也進一步表明了該模型相較于SSA-BiGRU模型和未引入注意力機制的相關模型在預測精度和穩定性上有所提升。