基于CEEMDAN和TCN-LSTM模型的短期電力負(fù)荷預(yù)測(cè)

趙星宇，吳泉軍，朱威

(上海電力大學(xué)數(shù)理學(xué)院智慧能源數(shù)學(xué)研究中心，上海 201306)

準(zhǔn)確的短期電力負(fù)荷預(yù)測(cè)，不僅可以保障電網(wǎng)系統(tǒng)運(yùn)行的安全與穩(wěn)定，還能為電網(wǎng)調(diào)度和電網(wǎng)檢修計(jì)劃等工作提供重要依據(jù)，從而有效地減少地區(qū)的發(fā)電成本，達(dá)到提高地區(qū)經(jīng)濟(jì)效益和社會(huì)效益的目的[1-2]。

目前，短期電力負(fù)荷預(yù)測(cè)方法大致可以分為三類，第一類為數(shù)理統(tǒng)計(jì)方法，主要有線性回歸法[3]、卡爾曼濾波[4]、指數(shù)平滑法[5]等。這一類方法的優(yōu)點(diǎn)在于模型結(jié)構(gòu)簡(jiǎn)單、計(jì)算成本低和預(yù)測(cè)速度快，但同時(shí)也存在對(duì)具有非線性關(guān)系的數(shù)據(jù)映射能力不足，往往會(huì)造成模型的魯棒性和泛化性能較差。第二類為機(jī)器學(xué)習(xí)方法，主要代表有支持向量機(jī)回歸[6]、隨機(jī)森林[7]和長(zhǎng)短期記憶網(wǎng)絡(luò)[8](long short-term memory network，LSTM)。其中支持向量機(jī)回歸和隨機(jī)森林這一類模型對(duì)負(fù)荷數(shù)據(jù)間的時(shí)序關(guān)系不敏感，因此在針對(duì)負(fù)荷數(shù)據(jù)的預(yù)測(cè)研究上難以取得較高的預(yù)測(cè)精度。而以循環(huán)神經(jīng)網(wǎng)絡(luò)為變體的LSTM網(wǎng)絡(luò)通過引入門控機(jī)制可以實(shí)現(xiàn)對(duì)長(zhǎng)時(shí)間序列中的時(shí)序特征進(jìn)行提取，相比前者擁有更高的預(yù)測(cè)精度，但該類循環(huán)神經(jīng)網(wǎng)絡(luò)架構(gòu)模型的局限性在于需要人為的來構(gòu)建特征關(guān)系，否則就難以充分提取數(shù)據(jù)中非連續(xù)特征間的有效信息[9-10]。

機(jī)器學(xué)習(xí)方法雖然相比數(shù)理統(tǒng)計(jì)方法對(duì)非線性數(shù)據(jù)有著更好的擬合能力，模型的魯棒性和預(yù)測(cè)精度往往都優(yōu)于數(shù)理統(tǒng)計(jì)模型，但機(jī)器學(xué)習(xí)方法的預(yù)測(cè)效果在一定程度上取決于數(shù)據(jù)的質(zhì)量[11]。然而在實(shí)際的生活中，負(fù)荷數(shù)據(jù)往往容易受到溫度、電價(jià)等因素的影響，導(dǎo)致使用單一的預(yù)測(cè)方法難以對(duì)于此類含有高噪聲的負(fù)荷數(shù)據(jù)實(shí)現(xiàn)精確預(yù)測(cè)[12]。因此第三類方法：組合預(yù)測(cè)法，逐漸被學(xué)者們用于短期電力負(fù)荷預(yù)測(cè)的研究中，其主要包含有權(quán)值分配法和負(fù)荷分解法。文獻(xiàn)[13]通過誤差倒數(shù)法將LSTM和極端梯度提升(extreme gradient boosting，XGBoost)組合來進(jìn)行負(fù)荷預(yù)測(cè)，取得了較好的預(yù)測(cè)效果。然而，這一類權(quán)值分配法的可拓展性往往較差，即難以保證在其他負(fù)荷數(shù)據(jù)集上也能取得同樣的預(yù)測(cè)效果。而對(duì)于負(fù)荷分解法來說，常見的有VMD(variational mode decomposition)分解[14-16]和EEMD(ensemble empirical mode decomposition)分解[17-18]，而VMD分解在處理序列時(shí)容易發(fā)生邊界效應(yīng)，同時(shí)其序列分解的個(gè)數(shù)取決于模態(tài)數(shù)K，模態(tài)數(shù)K選取的不同往往也容易導(dǎo)致分解結(jié)果上的差異，這使得該方法具有一定的主觀性。對(duì)于EEMD分解來說，該分解方法有效地解決了EMD分解存在模態(tài)混疊的問題，可是由于該算法在處理序列時(shí)加入的白噪聲很難對(duì)其完全進(jìn)行消除，因此會(huì)導(dǎo)致其分解將帶來比較大的重構(gòu)誤差，進(jìn)而影響預(yù)測(cè)的精度。針對(duì)上述問題，文獻(xiàn)[19-20]運(yùn)用了CEEMDAN分解方法對(duì)負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，并運(yùn)用相關(guān)方法對(duì)分解后的短期電力負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測(cè)，取得了較好的預(yù)測(cè)效果，證明了該分解方法的有效性。運(yùn)用CEEMDAN分解雖然操作簡(jiǎn)單、分解完備，但分解后對(duì)多個(gè)分量單獨(dú)預(yù)測(cè)的方式也增加了后續(xù)的計(jì)算量，因此應(yīng)考慮簡(jiǎn)化模型以降低整體計(jì)算體量。

鑒于以上研究的局限性，提出一種基于自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)分解、排列熵(permutation entropy，PE)和時(shí)間卷積網(wǎng)絡(luò)-長(zhǎng)短期記憶網(wǎng)絡(luò)(temporal convolutional network-long short-term memory network，TCN-LSTM)的短期電力負(fù)荷預(yù)測(cè)模型，簡(jiǎn)稱為CEEMDAN-PE-TCN-LSTM模型。該方法首先使用CEEMDAN將負(fù)荷序列分解為多個(gè)相對(duì)平穩(wěn)的子序列，以此改善原始數(shù)據(jù)的質(zhì)量。并通過計(jì)算子序列排列熵的方式將序列按照其復(fù)雜程度進(jìn)行重組，從而降低后續(xù)預(yù)測(cè)的計(jì)算量。最后，將重組序列輸入到TCN-LSTM混合網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)和預(yù)測(cè)，通過TCN模型充分挖掘序列間潛在特征，再運(yùn)用LSTM模型進(jìn)行預(yù)測(cè)。通過將本文開發(fā)的預(yù)測(cè)模型應(yīng)用于真實(shí)負(fù)荷數(shù)據(jù)的預(yù)測(cè)任務(wù)中，驗(yàn)證其具有比其他常用預(yù)測(cè)模型更高的預(yù)測(cè)精度。

1 模型原理

1.1 自適應(yīng)噪聲的完備集合經(jīng)驗(yàn)?zāi)B(tài)分解

在氣溫、日期類型和其他因素的作用下，電力負(fù)荷數(shù)據(jù)往往具有較強(qiáng)的非平穩(wěn)性和非線性，這使得傳統(tǒng)的預(yù)測(cè)算法較難對(duì)其做出精確地預(yù)測(cè)。而CEEMDAN是一種具有自適應(yīng)特點(diǎn)的數(shù)據(jù)預(yù)處理算法，該算法的特點(diǎn)在于它可以將負(fù)荷數(shù)據(jù)分解成頻率從高到低的一組本征模態(tài)函數(shù)(intrinsic mode function，IMF)及殘差分量(residual，RES)，分解得到的各IMF分量分別體現(xiàn)了不同時(shí)間尺度上原始負(fù)荷數(shù)據(jù)的特征。因此，通過將負(fù)荷序列進(jìn)行CEEMDAN分解，可以實(shí)現(xiàn)對(duì)負(fù)荷序列的各局部特征進(jìn)行單獨(dú)的預(yù)測(cè)，從而達(dá)到降低預(yù)測(cè)難度的效果。CEEMDAN算法理論參考文獻(xiàn)[21]。

1.2 排列熵

排列熵是一種用來評(píng)價(jià)序列復(fù)雜度的算法，它可以對(duì)含有噪聲的序列進(jìn)行定量地檢測(cè)，且具有原理簡(jiǎn)單、魯棒性好和計(jì)算速度快等特點(diǎn)，適用于經(jīng)過CEEMDAN分解后的負(fù)荷數(shù)據(jù)的復(fù)雜度分析，其計(jì)算過程如下。

步驟1記經(jīng)CEEMDAN分解后的分量為s(i),i=1,2,…,N對(duì)其進(jìn)行相空間重構(gòu)處理，得到矩陣X，可表示為

(1)

式(1)中：t、m分別為延遲時(shí)間和嵌入維數(shù)；j=1,2,…,K；K=N-(m-1)t。

步驟2將矩陣X的行向量定義為重構(gòu)向量x(g)，并將其元素值由小到大排列。

x(g)={j1,j2,…,jm}

(2)

式(2)中：g=1,2,…,K，K≤m；j1，j2，…，jm為x(g)每個(gè)元素的列序號(hào)。

步驟4由香農(nóng)熵的計(jì)算公式，可將時(shí)間序列s(i)的排列熵定義為

(3)

步驟5實(shí)際應(yīng)用中為了方便，一般采用歸一化后的排列熵值，可表示為

H=Hp/lnm!

(4)

式(4)中：H的取值范圍為[0,1]，H越小表示序列越簡(jiǎn)單，隨機(jī)程度越低；反之，則表示序列越復(fù)雜，隨機(jī)程度越高。

1.3 時(shí)間卷積網(wǎng)絡(luò)

時(shí)間卷積網(wǎng)絡(luò)(temporal convolutional network，TCN)是一種新型的、可以對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行處理的神經(jīng)網(wǎng)絡(luò)架構(gòu)，與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)相比，它可以更有效地提取時(shí)序數(shù)據(jù)的特征。TCN通過卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)變化而來，它由多個(gè)殘差單元構(gòu)成。為了提高學(xué)習(xí)能力，TCN通過加入殘差連接模塊，使得該模型可以將信息以跨層的方式來進(jìn)行傳遞，進(jìn)而使模型的反饋和收斂速度進(jìn)一步提升。圖1為TCN模型的單個(gè)殘差單元。

圖1 TCN網(wǎng)絡(luò)殘差單元

在殘差單元中一維擴(kuò)張因果卷積發(fā)揮著重要作用，一維擴(kuò)張因果卷積通過卷積系數(shù)來控制對(duì)輸入的采樣間隔，使得TCN網(wǎng)絡(luò)只需要通過很少的層，就能夠擁有較長(zhǎng)的感受野。同時(shí)和CNN不同，TCN中的因果卷積不是雙向，而是單向的，即模型中t時(shí)刻的輸出只由前一層中t時(shí)刻及t時(shí)刻以前的輸入來決定，這樣避免了模型不會(huì)丟失掉歷史信息及受到未來信息的影響，這也使得TCN模型變成了一種嚴(yán)格的時(shí)間約束模型。

1.4 長(zhǎng)短期記憶網(wǎng)絡(luò)

長(zhǎng)短期記憶網(wǎng)絡(luò)在循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)的基礎(chǔ)上改進(jìn)而來，它有效克服了RNN在處理長(zhǎng)序列時(shí)容易發(fā)生梯度爆炸及消失的缺陷。LSTM可以根據(jù)自身內(nèi)部的結(jié)構(gòu)特點(diǎn)，來學(xué)習(xí)數(shù)據(jù)間較長(zhǎng)距離的依賴信息，從而有效提高預(yù)測(cè)精度，它是目前應(yīng)用最廣泛及最成功的RNN架構(gòu)，所以非常適用于短期電力負(fù)荷預(yù)測(cè)。圖2為L(zhǎng)STM模型的總體結(jié)構(gòu)。

Xt和ht-1分別為當(dāng)前時(shí)刻輸入和上一時(shí)刻的輸出；Ct-1為上一時(shí)刻的記憶單元；bt為當(dāng)前時(shí)刻的候選狀態(tài)；ht為當(dāng)前時(shí)刻的輸出；tanh、σ分別為tanh函數(shù)和sigmoid函數(shù)

LSTM通過引入輸入門it、遺忘門ft和輸出門ot來控制網(wǎng)絡(luò)中信息的傳遞。LSTM模型雖然對(duì)時(shí)序數(shù)據(jù)具有強(qiáng)大的非線性映射能力，但需要人為的來構(gòu)建特征關(guān)系，否則就難以充分提取非連續(xù)特征間的有效信息，因此需要考慮與特征挖掘網(wǎng)絡(luò)相結(jié)合來提高對(duì)負(fù)荷特征的挖掘能力。

2 基于CEEMDAN-PE-TCN-LSTM的短期電力負(fù)荷預(yù)測(cè)模型

2.1 CEEMDAN-PE-TCN-LSTM模型的建立

負(fù)荷數(shù)據(jù)由于容易受到諸多復(fù)雜因素的影響，往往會(huì)具有一定的非平穩(wěn)性和隨機(jī)性。因此，為了減少原始負(fù)荷數(shù)據(jù)質(zhì)量對(duì)預(yù)測(cè)精度的影響，利用負(fù)荷分解算法與神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的方法實(shí)現(xiàn)對(duì)短期電力負(fù)荷的有效預(yù)測(cè)，采用CEEMDAN將原始負(fù)荷數(shù)據(jù)進(jìn)行完備分解，得到不同時(shí)間尺度上多個(gè)相對(duì)平穩(wěn)的子序列。同時(shí)所提模型針對(duì)現(xiàn)有基于模態(tài)分解的短期電力負(fù)荷預(yù)測(cè)模型的不足做了以下改善，首先針對(duì)模態(tài)分解后導(dǎo)致后續(xù)預(yù)測(cè)規(guī)模大的問題引入了排列熵算法將序列重組，形成新的復(fù)雜度差異顯著的新序列，不僅降低了后續(xù)的預(yù)測(cè)規(guī)模，且避免了多次預(yù)測(cè)帶來的誤差疊加；其次通過利用特征挖掘網(wǎng)絡(luò)TCN與長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM相結(jié)合的方式對(duì)重組序列進(jìn)行學(xué)習(xí)和預(yù)測(cè)，實(shí)現(xiàn)更充分地挖掘數(shù)據(jù)間非連續(xù)特征的有效信息，使最終的預(yù)測(cè)結(jié)果更加可靠。

相比于卷積神經(jīng)網(wǎng)絡(luò)，TCN具有更快的收斂速度和特征挖掘能力[22]，而TCN-LSTM混合模型兼顧了TCN模型和LSTM網(wǎng)絡(luò)模型特點(diǎn)，將TCN模型提取到的特征作為輸入數(shù)據(jù)輸入到LSTM模型中去充分學(xué)習(xí)數(shù)據(jù)的內(nèi)在規(guī)律，并得到未來預(yù)測(cè)值，以達(dá)到更好地挖掘出數(shù)據(jù)間潛在關(guān)系的效果。將兩者進(jìn)行結(jié)合構(gòu)造了TCN-LSTM組合模型，如圖3所示。

圖3 TCN-LSTM模型結(jié)構(gòu)

2.2 預(yù)測(cè)模型計(jì)算步驟

所提CEEMDAN-PE-TCN-LSTM模型的計(jì)算步驟如下，其結(jié)構(gòu)如圖4所示。

圖4 CEEMDAN-PE-TCN-LSTM模型結(jié)構(gòu)

步驟1通過CEEMDAN算法對(duì)負(fù)荷數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，將其分解成一系列相對(duì)平穩(wěn)的本征模態(tài)函數(shù)和1個(gè)殘差分量。

步驟2通過引入排列熵算法計(jì)算出分解后得到的各序列復(fù)雜度信息，并將子序列按照復(fù)雜度相似性進(jìn)行重組。

步驟3將新序列輸入到多個(gè)經(jīng)過參數(shù)調(diào)優(yōu)的TCN-LSTM網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)和預(yù)測(cè)。

步驟4得到每個(gè)網(wǎng)絡(luò)的預(yù)測(cè)值后，將其疊加獲得完整的負(fù)荷預(yù)測(cè)結(jié)果。

2.3 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

為了合理地評(píng)估預(yù)測(cè)效果，本算例用平均絕對(duì)誤差(mean absolute error，MAE)、均方根誤差(root mean square error,RMSE)和平均絕對(duì)百分比誤差(mean absolute percentage error,MAPE)來衡量各預(yù)測(cè)算法的準(zhǔn)確率，其計(jì)算方法分別為

(5)

(6)

(7)

MAE、RMSE和MAPE的值越小，則表示模型的預(yù)測(cè)效果更好。

3 算例分析

考慮到電力負(fù)荷數(shù)據(jù)具有以日、星期、月、年為周期的準(zhǔn)周期特性，時(shí)間跨度較短的數(shù)據(jù)集進(jìn)行訓(xùn)練不能學(xué)習(xí)到這一類準(zhǔn)周期特性。因此，為了更合理地驗(yàn)證所提算法的有效性，數(shù)據(jù)集選取了歐洲某地2018年1月—2019年3月的負(fù)荷數(shù)據(jù)，其采樣間隔為1 h，每日共24條數(shù)據(jù)?；旌项A(yù)測(cè)模型中的LSTM采用雙層結(jié)構(gòu)，設(shè)置參數(shù)epoch為300，滑動(dòng)窗口為24，并使用“早停法”降低模型過擬合概率，Adam算法作為網(wǎng)絡(luò)的優(yōu)化器，其他參數(shù)通過多次訓(xùn)練模型進(jìn)行調(diào)整，以確定最優(yōu)預(yù)測(cè)模型。同時(shí)采用前文所提到的評(píng)價(jià)指標(biāo)，將本文算法與其他常見的預(yù)測(cè)算法進(jìn)行對(duì)比。

3.1 CEEMDAN分解及重組

原始負(fù)荷序列中往往含有大量噪聲，大大增加了模型的預(yù)測(cè)難度，因此通過CEEMDAN方法對(duì)其進(jìn)行分解，得到了頻率從高到低的11組IMF分量和1組RES分量，分解結(jié)果如圖5所示。可以看出，各個(gè)IMF分量的頻率較為穩(wěn)定，且沒有發(fā)生模態(tài)混疊的現(xiàn)象。

圖5 負(fù)荷數(shù)據(jù)的CEEMDAN分解

由圖5可知，相鄰IMF分量的波動(dòng)情況較為相似，可以考慮對(duì)具有相近復(fù)雜度的分量進(jìn)行合并計(jì)算。因此為減小后續(xù)的預(yù)測(cè)體量，對(duì)分解后的各分量進(jìn)行PE值的計(jì)算，進(jìn)而對(duì)其進(jìn)行合并重組。各分量對(duì)應(yīng)的歸一化后的PE值如表1所示，可以看出，IMF分量的PE值在依次變小，說明其隨機(jī)程度也在依次降低。通過比較歸一化后序列熵值間的接近程度，將各序列歸一化排列熵值相差在0.1以內(nèi)的序列進(jìn)行合并重組。由表1可知，IMF1、IMF3和IMF11序列的PE值均與其他分量的PE值都相差較大，所以將這3個(gè)分量單獨(dú)設(shè)為一組，而余下的IMF4～I(xiàn)MF10這7個(gè)分量的PE值都相對(duì)接近，因此將這一類復(fù)雜程度相近的序列直接疊加成一組。剩下的IMF2序列和殘差項(xiàng)RES的PE值僅相差0.043，于是將其合并為一組。綜上，可以得到5組重組序列，后續(xù)模型的預(yù)測(cè)次數(shù)也從12次降低到了5次，提高了模型整體的計(jì)算效率。將5組重組序列分別記為序列L1、L2、L3、L4和L5，序列合并結(jié)果如表2所示。

表1 各分量歸一化后的排列熵值

表2 各分量合并結(jié)果

3.2 預(yù)測(cè)結(jié)果分析

將重組序列L1～L5按照滑動(dòng)窗口迭代預(yù)測(cè)的方式進(jìn)行構(gòu)造，設(shè)定其滑動(dòng)窗口大小為24，即將前24 h的24條數(shù)據(jù)作為特征，而下一小時(shí)的電力負(fù)荷數(shù)據(jù)作為標(biāo)簽。其中各子序列的訓(xùn)練集為2018年數(shù)據(jù)，測(cè)試集為2019年1—3月的數(shù)據(jù)。在將訓(xùn)練集輸入TCN-LSTM混合網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)訓(xùn)練后，利用其對(duì)測(cè)試集數(shù)據(jù)做出連續(xù)的負(fù)荷預(yù)測(cè)。

為體現(xiàn)所提預(yù)測(cè)算法(CEEMDAN-PE-TCN-LSTM算法)的優(yōu)越性，將該算法所得的預(yù)測(cè)值和其他常見的單一預(yù)測(cè)算法及組合預(yù)測(cè)算法所得的預(yù)測(cè)值進(jìn)行對(duì)比。其中單一預(yù)測(cè)算法為支持向量回歸(support vector regression，SVR)、隨機(jī)森林(random forest，RF)、TCN和LSTM模型，組合預(yù)測(cè)算法為：①卷積神經(jīng)網(wǎng)絡(luò)-長(zhǎng)短期記憶網(wǎng)絡(luò)(convolutional neural network-long short-term memory network，CNN-LSTM)模型，即運(yùn)用CNN-LSTM混合模型進(jìn)行預(yù)測(cè)，簡(jiǎn)稱為CL；②TCN-LSTM模型，即運(yùn)用TCN-LSTM混合模型進(jìn)行預(yù)測(cè)，簡(jiǎn)稱為TL；③CEEMDAN-TCN-LSTM模型，即先對(duì)負(fù)荷數(shù)據(jù)進(jìn)行CEEMDAN分解，再運(yùn)用TCN-LSTM混合模型進(jìn)行預(yù)測(cè)，簡(jiǎn)稱為CTL。

圖6為本文算法與單一預(yù)測(cè)算法和組合預(yù)測(cè)算法在某一天上的預(yù)測(cè)結(jié)果對(duì)比?？梢钥闯?，8種預(yù)測(cè)算法均具有較好的預(yù)測(cè)效果，但本文模型的預(yù)測(cè)曲線與其他算法相比更貼近真實(shí)的負(fù)荷數(shù)據(jù)變化曲線，且在序列極值點(diǎn)周圍的擬合效果更好。

圖6 所提模型與其他預(yù)測(cè)模型的預(yù)測(cè)結(jié)果對(duì)比

表3為所提算法與其他短期負(fù)荷預(yù)測(cè)算法在隨機(jī)單獨(dú)1 d和3個(gè)月內(nèi)進(jìn)行連續(xù)日前短期負(fù)荷預(yù)測(cè)的MAE值、RMSE值和MAPE值，可以看到所提算法的MAE值、RMSE值和MAPE值無(wú)論在單獨(dú)1 d上還是3個(gè)月內(nèi)都要明顯低于其他預(yù)測(cè)模型，即所提算法具有最高的預(yù)測(cè)精度。

表3 各模型預(yù)測(cè)誤差對(duì)比

與單一預(yù)測(cè)模型SVR、RF、LSTM和TCN相比，所提模型的MAE、RMSE和MAPE評(píng)價(jià)指標(biāo)值明顯更低，預(yù)測(cè)精度得到了明顯提升。其次，在當(dāng)前負(fù)荷數(shù)據(jù)上TCN-LSTM模型預(yù)測(cè)效果要好于CNN-LSTM的預(yù)測(cè)效果，即TCN模型能更充分地挖掘出負(fù)荷序列間潛在時(shí)序特征，這表明以時(shí)間約束模型TCN作為特征挖掘網(wǎng)絡(luò)來進(jìn)行特征提取的有效性。且通過將CTL和TL算法的預(yù)測(cè)效果進(jìn)行對(duì)比可知，利用CEEMDAN對(duì)負(fù)荷序列進(jìn)行平穩(wěn)化處理后，預(yù)測(cè)模型的性能得到了進(jìn)一步的提升，這證明了進(jìn)行CEEMDAN分解對(duì)提升模型預(yù)測(cè)效果有著較大幫助。同時(shí)所提算法與不引入排列熵的CTL算法在隨機(jī)1 d和3個(gè)月上的預(yù)測(cè)效果相比，其MAE、RMSE和MAPE分別降低了2.976、7.949、0.152%和2.59、1.245、0.168%，原因在于引入排列熵算法避免了多次預(yù)測(cè)造成的誤差累積，說明本文方法對(duì)提升模型整體精度同樣具有一定的作用。綜上所述，所提出的短期電力負(fù)荷預(yù)測(cè)方法取得了較好的預(yù)測(cè)效果，本文算法具有一定的優(yōu)越性。

4 結(jié)論

針對(duì)短期電力負(fù)荷數(shù)據(jù)隨機(jī)性強(qiáng)，從而導(dǎo)致預(yù)測(cè)精度不高的問題，提出一種基于CEEMDAN分解和TCN-LSTM混合模型的短期負(fù)荷預(yù)測(cè)方法，通過理論分析和實(shí)例驗(yàn)證得出以下結(jié)論。

(1)通過將負(fù)荷數(shù)據(jù)進(jìn)行CEEMDAN分解，能夠降低原始負(fù)荷數(shù)據(jù)的非平穩(wěn)性，從而改善后續(xù)模型輸入數(shù)據(jù)的質(zhì)量。

(2)引入排列熵算法將具有相近排列熵值的子序列進(jìn)行分類組合以形成復(fù)雜度差異顯著的新序列的方法，不僅有利于后續(xù)模型進(jìn)行區(qū)分學(xué)習(xí)訓(xùn)練，也降低了預(yù)測(cè)規(guī)模，減少了多次預(yù)測(cè)造成誤差疊加。

(3)將重組序列輸入到兼顧TCN和LSTM優(yōu)勢(shì)的TCN-LSTM模型中進(jìn)行預(yù)測(cè)的方法，避免了單一的LSTM網(wǎng)絡(luò)對(duì)非連續(xù)數(shù)據(jù)間的潛在有效特征不能充分提取的問題，提高了整體的負(fù)荷預(yù)測(cè)精度。

(4)預(yù)測(cè)結(jié)果表明本文算法與其他常見的預(yù)測(cè)算法相比能更準(zhǔn)確地預(yù)測(cè)實(shí)際負(fù)荷數(shù)據(jù)的變化，且各項(xiàng)評(píng)價(jià)指標(biāo)均優(yōu)于其他預(yù)測(cè)方法，可為電力部門提高電能調(diào)度效率和制定檢修計(jì)劃等工作提供及時(shí)有效的依據(jù)。