基于EEMD-SSA組合模型的短期電力負(fù)荷預(yù)測(cè)

曹廣華,陳 前,齊少栓,閆麗梅

(1.東北石油大學(xué) 電氣信息工程學(xué)院,黑龍江 大慶 163318；2.河南送變電建設(shè)有限公司 土建施工分公司,鄭州 450000)

0 引 言

目前電能已逐漸成為主流能源。電力負(fù)荷預(yù)測(cè)是通過(guò)歷史數(shù)據(jù),獲取數(shù)據(jù)中潛在信息,并對(duì)未來(lái)一段時(shí)間內(nèi)的用電情況進(jìn)行預(yù)測(cè),其在用電規(guī)劃中具有重要的價(jià)值。自人工智能興起后,大量的機(jī)器學(xué)習(xí)算法被應(yīng)用于電力負(fù)荷預(yù)測(cè)中,形成現(xiàn)代負(fù)荷預(yù)測(cè)的基本理論[1]。并且隨著國(guó)內(nèi)外學(xué)者研究的不斷深入,涌現(xiàn)出將負(fù)荷預(yù)測(cè)方法進(jìn)行組合的策略。目前,電力系統(tǒng)負(fù)荷預(yù)測(cè)方法主要分為經(jīng)典預(yù)測(cè)、現(xiàn)代預(yù)測(cè)和組合預(yù)測(cè)方法[2]。

趨勢(shì)外推法屬于經(jīng)典預(yù)測(cè)方法,是利用數(shù)據(jù)間潛在的相關(guān)關(guān)系對(duì)未來(lái)的負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測(cè),揭示數(shù)據(jù)之間漸進(jìn)式的變化趨勢(shì),但在處理電力負(fù)荷這種含有跳躍式變化的數(shù)據(jù)對(duì)象存在明顯不足[3]。為彌補(bǔ)趨勢(shì)外推法在電力負(fù)荷預(yù)測(cè)中的缺陷,曾海兵[4]采用將基于時(shí)序的趨勢(shì)外推法和負(fù)荷密度法相結(jié)合的思想,同時(shí)在模型預(yù)測(cè)中除了考慮歷史負(fù)荷信息外,還考慮了城市發(fā)展規(guī)劃與電網(wǎng)規(guī)劃建設(shè)等因素的影響,具有良好的預(yù)測(cè)效果。陳林森[5]提出一種基于二次滑動(dòng)平均法的時(shí)間序列負(fù)荷預(yù)測(cè)方法,在相對(duì)平穩(wěn)的數(shù)據(jù)段,這種預(yù)測(cè)方法能取得較高的預(yù)測(cè)精度,但在非線性特征較強(qiáng)的數(shù)據(jù)段,則不能達(dá)到良好的預(yù)測(cè)效果。王文賀等[6]采用多元回歸預(yù)測(cè)模型,同時(shí)考慮地區(qū)政策、發(fā)展規(guī)劃等因素對(duì)城市用電量進(jìn)行預(yù)測(cè),該方法理論相對(duì)成熟、計(jì)算較為簡(jiǎn)單、預(yù)測(cè)速度快,但過(guò)分依賴(lài)歷史樣本數(shù)據(jù)。張海等[7]基于反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN:Back Propagation Neural Network)算法進(jìn)行一系列短期電力負(fù)荷預(yù)測(cè)工作,并且采用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的連接權(quán)值跟閾值進(jìn)行優(yōu)化,實(shí)驗(yàn)證明在參數(shù)優(yōu)化后模型的預(yù)測(cè)精度有明顯提升。由于BPNN不包含記憶層,不能有效記憶歷史信息,程換新等[8]和Zhao等[9]提出了幾種循環(huán)卷積網(wǎng)絡(luò)作為預(yù)測(cè)模型,彌補(bǔ)了BPNN預(yù)測(cè)模型的部分缺陷。梅雨等[10]提出了一種組合預(yù)測(cè)方法,該方法利用模型組合思想,將粒子群優(yōu)化算法與BPNN模型相結(jié)合,使用粒子群優(yōu)化算法對(duì)BPNN的權(quán)值和閾值進(jìn)行優(yōu)化,對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè),取得較好的預(yù)測(cè)效果。為進(jìn)一步利用各類(lèi)預(yù)測(cè)模型的特點(diǎn),魏明奎等[11]將自組織特征神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)作為預(yù)測(cè)模型的基本結(jié)構(gòu),利用粒子群優(yōu)化算法和遺傳算法對(duì)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)進(jìn)行優(yōu)化,在對(duì)工業(yè)及居民負(fù)荷的預(yù)測(cè)中具有較高預(yù)測(cè)精度。高金蘭等[12]采用變分模態(tài)分解算法對(duì)原始數(shù)據(jù)進(jìn)行處理,利用最小二乘支持向量機(jī)進(jìn)行預(yù)測(cè),并使用鯨魚(yú)優(yōu)化算法優(yōu)化其參數(shù),提高了電力負(fù)荷預(yù)測(cè)精度。

由于單一算法模型在進(jìn)行負(fù)荷預(yù)測(cè)時(shí)具有局限性,從而導(dǎo)致預(yù)測(cè)精度不能達(dá)到要求,多算法組合模型可以集成每個(gè)單一算法的優(yōu)勢(shì),進(jìn)而提升預(yù)測(cè)效果,提高預(yù)測(cè)精度。因此,筆者采用組合模型進(jìn)行電力負(fù)荷預(yù)測(cè),通過(guò)與單一預(yù)測(cè)模型進(jìn)行對(duì)比,驗(yàn)證所提出基于EEMD-SSA(Ensemble Empirical Mode Decomposition-Salp Swarm Optimization Algorithm)組合模型的優(yōu)越性。

1 數(shù)據(jù)分解

經(jīng)驗(yàn)?zāi)B(tài)分解(EMD:Empirical Mode Decomposition)是一種信號(hào)分析處理方法,在分析處理非線性、非平穩(wěn)信號(hào)時(shí)具有非常明顯的優(yōu)越性[13-14]。在電力負(fù)荷預(yù)測(cè)時(shí),其可以將原始數(shù)據(jù)的一串復(fù)雜的信號(hào)分解成若干相對(duì)平穩(wěn)的經(jīng)驗(yàn)?zāi)B(tài)分量,以便于后續(xù)分析與預(yù)測(cè)。

設(shè)X(t)為原始信號(hào),則該信號(hào)可分解為若干本征模態(tài)函數(shù)(IMF:Intrinsic Mode Function)之和,即

(1)

其中ci(t)為第i個(gè)IMF,rI(t)為分解I次后的殘差。

集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD:Ensemble Empirical Mode Decomposition)技術(shù)是為了抑制數(shù)據(jù)在進(jìn)行EMD分解時(shí)出現(xiàn)的模態(tài)混疊,通過(guò)對(duì)原始數(shù)據(jù)加入高斯白噪聲改變?cè)夹盘?hào)的極值點(diǎn)特性[15]。設(shè)Xj(t)為加入噪聲后的信號(hào),可表示為

Xj(t)=X(t)+nj(t)

(2)

其中nj(t)為第j次加入的白噪聲信號(hào)。

分別對(duì)每次加噪后的信號(hào)進(jìn)行EMD操作,得到各IMF和的形式,即

(3)

其中ci,j(t)為在第j次加入噪聲后的第i個(gè)IMF,rI,j(t)為第j次加入噪聲后分解I次的殘差。

通過(guò)對(duì)j次加噪后分解得到的IMF求取平均值可得到EEMD分解的結(jié)果,即

(4)

2 預(yù)測(cè)模型與優(yōu)化算法

2.1 BPNN模型

BPNN具有很強(qiáng)的非線性映射能力,是最重要的神經(jīng)網(wǎng)絡(luò)模型[16-17]。3層的BPNN基本結(jié)構(gòu)如圖1所示。其中X=[x1,x2,…,xn]為神經(jīng)網(wǎng)絡(luò)的輸入信號(hào),Y=[y1,y2,…,ym]為神經(jīng)網(wǎng)絡(luò)的輸出信號(hào),n、q、m分別為輸入層神經(jīng)元個(gè)數(shù)、隱含層神經(jīng)元個(gè)數(shù)、輸出層神經(jīng)元個(gè)數(shù),zk(k=1,2,…,q)為隱含層中第k個(gè)神經(jīng)元,V和M分別為輸入到隱含層,隱含層到輸出層的權(quán)值矩陣。

圖1 BPNN的結(jié)構(gòu)Fig.1 Structure of BPNN

1) 輸入層。網(wǎng)絡(luò)的輸入層是對(duì)輸入數(shù)據(jù)的線性映射,將神經(jīng)元的輸出數(shù)據(jù)直接作為下一層神經(jīng)元的輸入,其激活函數(shù)為

f(xi)=xi

(5)

其中xi為輸入層第i個(gè)神經(jīng)元的輸入。

2) 隱含層。

網(wǎng)絡(luò)系統(tǒng)中的隱含層的作用是將上一層的輸出進(jìn)行相應(yīng)的權(quán)值組合后,再通過(guò)非線性函數(shù)映射到相應(yīng)的函數(shù)空間,在文中非線性激活函數(shù)為

(6)

其中nk為隱含層第k個(gè)神經(jīng)元的輸入。

3) 輸出層。BPNN網(wǎng)絡(luò)中的輸出層是對(duì)隱含層的輸出結(jié)果進(jìn)行線性組合后的再次映射,為保證網(wǎng)絡(luò)具有較好映射能力的同時(shí)加快網(wǎng)絡(luò)的訓(xùn)練速度,激活函數(shù)可選為

(7)

其中nj為輸出層第j個(gè)神經(jīng)元的輸入。

2.2 LSTM模型

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM:Long Short-Term Memory)是從循環(huán)神經(jīng)網(wǎng)絡(luò)中發(fā)展而來(lái),通過(guò)在神經(jīng)網(wǎng)絡(luò)中加入長(zhǎng)期記憶功能單元的方式讓信息不再衰減,能記憶長(zhǎng)時(shí)期內(nèi)的信息,在自然語(yǔ)言處理與數(shù)據(jù)挖掘領(lǐng)域獲得一定的成就[18]。LSTM網(wǎng)絡(luò)中可分為3個(gè)模塊：遺忘、輸入和輸出模塊,其基本結(jié)構(gòu)如圖2所示。其中xt為細(xì)胞元在t時(shí)刻的輸入,ht-1,Ct-1分別為t-1時(shí)刻的細(xì)胞輸出和細(xì)胞狀態(tài),ht,Ct分別為t時(shí)刻的細(xì)胞輸出和細(xì)胞狀態(tài)。

圖2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of LSTM network

1) 遺忘模塊。在t-1時(shí)刻的輸出ht-1和當(dāng)前t時(shí)刻的輸入xt經(jīng)由sigmoid函數(shù)得到一個(gè)0～1之間的遺忘閾值ft,由該值決定保留t-1時(shí)刻的細(xì)胞狀態(tài)的信息量,閾值ft為

ft=σ(ωf[ht-1,xt]+bf)

(8)

其中σ為sigmoid函數(shù),ωf、bf分別為遺忘模塊的權(quán)值系數(shù)與偏置。

(9)

it=σ(ωi[ht-1,xt]+bi)

(10)

其中ωc、bc為用于得到候選細(xì)胞信息的權(quán)值系數(shù)與偏置,ωi、bi分別為輸入模塊的權(quán)值系數(shù)與偏置。

3) 輸出模塊。在t-1時(shí)刻的細(xì)胞信息在經(jīng)過(guò)遺忘模塊和輸入模塊后得到t時(shí)刻的細(xì)胞信息Ct,再將該細(xì)胞信息通過(guò)sigmoid函數(shù)映射到相應(yīng)的函數(shù)空間后經(jīng)過(guò)輸出閾值的選擇,即得到網(wǎng)絡(luò)t時(shí)刻的輸出ht。細(xì)胞信息Ct,輸出閾值ot,網(wǎng)絡(luò)輸出ht分別為

(11)

ot=σ(ωo[ht-1,xt]+bo)

(12)

ht=ottanh(Ct)

(13)

其中ωo、bo分別為輸入模塊的權(quán)值系數(shù)與偏置。

2.3 SSA優(yōu)化算法

樽海鞘群算法(SSA:Salp Swarm Algorithm)是仿生學(xué)理論中基于樽海鞘種群的覓食特性得出的優(yōu)化算法[19-20]。其主要原理如下。

1) 種群初始化。假設(shè)樽海鞘群種群規(guī)模為d。若在N維空間中用向量(x1,x2,…,xn)表示一個(gè)樽海鞘個(gè)體的位置,則一個(gè)種群在N維空間中可表示為一個(gè)d×N的矩陣,即

(14)

2) 位置更新。在整個(gè)種群覓食過(guò)程中,以最高適應(yīng)度的個(gè)體位置作為食物位置,不斷地更新迭代。整個(gè)更新過(guò)程分為領(lǐng)導(dǎo)者x1更新和追隨者xk(k=2,3,…,d)更新。

領(lǐng)導(dǎo)者更新公式為

(15)

c1=2e-(4t/Tmax)2

(16)

得到。其中Tmax為最大迭代次數(shù),t為當(dāng)前迭代次數(shù)。

追隨者更新公式為

(17)

2.4 樣本熵

樣本熵主要用于描述時(shí)間序列的復(fù)雜程度,其主要原理如下。

1) 設(shè)一個(gè)包含N個(gè)數(shù)據(jù)的時(shí)間序列,用p(1),p(2),…,p(N)表示。

2) 將原始序列按序號(hào)重構(gòu)為一組m維的向量序列：P(1),P(2),…,P(N+m-1),其中P(i) =[p(i),p(i+1),…,p(i+m-1)],i為1～N+m-1之間的整數(shù)。

3) 定義距離函數(shù)

(18)

4) 對(duì)于向量序列P(i),統(tǒng)計(jì)所有d(P(i),P(j))≤r,i≠j的j的個(gè)數(shù),記為Bi(r),并定義

(19)

5) 令k=m+1,重復(fù)3)～4),得Ak(r),即

(20)

其中Ai(r)為k維向量序列Pk(1),Pk(2),…,Pk(N+k-1),統(tǒng)計(jì)滿足d(Pk(i),Pk(j))≤r,i≠j的個(gè)數(shù)。

6) 對(duì)有限整數(shù)N,其樣本熵為

SSampEn=-ln(Ak(r)/Bm(r))

(21)

2.5 基于EEMD-SSA的組合模型

筆者建立組合模型的基本思想是采用EEMD分解算法對(duì)原始數(shù)據(jù)進(jìn)行分解,得到若干IMF分量,并計(jì)算各個(gè)IMF分量的樣本熵。然后劃定一個(gè)閾值,利用確定的閾值將IMF數(shù)據(jù)分成兩組。由于樣本熵越低,表明數(shù)據(jù)混亂程度越小。當(dāng)IMF數(shù)據(jù)樣本熵低于閾值時(shí),采用BPNN進(jìn)行預(yù)測(cè),當(dāng)IMF數(shù)據(jù)樣本熵高于閾值時(shí),采用LSTM進(jìn)行預(yù)測(cè),最后將預(yù)測(cè)的IMF分量進(jìn)行疊加作為最終組合模型的預(yù)測(cè)結(jié)果。同時(shí)利用SSA算法對(duì)BPNN和LSTM的輸入層神經(jīng)元個(gè)數(shù)、隱含層神經(jīng)元個(gè)數(shù)及輸入變量的滯后項(xiàng)進(jìn)行優(yōu)化。整個(gè)預(yù)測(cè)的流程如圖3所示。

圖3 組合模型流程圖Fig.3 Flow chart of combined model

3 測(cè)試分析

采用我國(guó)南方某市歷史負(fù)荷數(shù)據(jù)對(duì)基于EEMD-SSA組合模型的電力系統(tǒng)短期預(yù)測(cè)工作進(jìn)行分析。選擇以下性能指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)。

1) 平均絕對(duì)誤差(MAE：Mean Absolute Error,EMAE)

(22)

2) 均方根誤差(RMSE：Root Mean Square Error,ERMSE)

(23)

3) 平均絕對(duì)百分比誤差(MAPE：Mean Absolute Percentage Error,EMAPE)

(24)

4) 確定系數(shù)(Rsquare)

(25)

測(cè)試實(shí)驗(yàn)在一臺(tái)64位,處理器為Inter(r) Core(TM) i7-4710HQ的戴爾筆記本電腦進(jìn)行,使用Anaconda3軟件,基于Python開(kāi)發(fā)環(huán)境,利用Keras深度學(xué)習(xí)框架與Sklearn機(jī)器學(xué)習(xí)工具包,搭建短期負(fù)荷預(yù)測(cè)模型,進(jìn)行預(yù)測(cè)工作。

由于原始數(shù)據(jù)類(lèi)型復(fù)雜,不同類(lèi)型的數(shù)據(jù)之間存在不同的量綱,這將對(duì)模型訓(xùn)練及預(yù)測(cè)結(jié)果產(chǎn)生不利影響。為此,在進(jìn)行負(fù)荷預(yù)測(cè)前,對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。原始數(shù)據(jù)中不僅包含歷史負(fù)荷、天氣和溫度等數(shù)字?jǐn)?shù)據(jù),還有日類(lèi)型、天氣和風(fēng)向等文字?jǐn)?shù)據(jù),需要分別對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理。

對(duì)歷史負(fù)荷及溫度等數(shù)字?jǐn)?shù)據(jù),通過(guò)使用標(biāo)準(zhǔn)化公式

(26)

對(duì)其進(jìn)行標(biāo)準(zhǔn)化。其中x′為標(biāo)準(zhǔn)化后的數(shù)據(jù),x為標(biāo)準(zhǔn)化前的數(shù)據(jù),xmax,xmin為數(shù)據(jù)中的最大值和最小值。

對(duì)日類(lèi)型、天氣和風(fēng)向等數(shù)據(jù),采用一定的規(guī)則對(duì)其進(jìn)行量化處理。

在本文中以2015年12月1日-次年2月28日的歷史負(fù)荷數(shù)據(jù)作為數(shù)據(jù)集。以每隔15 min為一個(gè)采樣點(diǎn),將12月1日-2月21日的數(shù)據(jù)劃分為訓(xùn)練集,2月22日-2月28日7 d的數(shù)據(jù)劃分為測(cè)試集。利用訓(xùn)練集對(duì)模型進(jìn)行學(xué)習(xí)訓(xùn)練,預(yù)測(cè)2月22日-2月28日7 d的負(fù)荷信息,共672個(gè)預(yù)測(cè)數(shù)據(jù)點(diǎn)。將數(shù)據(jù)集利用EEMD算法分解為11個(gè)IMF分量,得到的分解曲線如圖4所示,并計(jì)算其樣本熵得到的熵值曲線如圖5所示。

圖4 分解曲線Fig.4 The curve of decomposition

圖5 樣本熵曲線Fig.5 The curve of sample entropy

從圖4中可看出,當(dāng)數(shù)據(jù)集通過(guò)EEMD算法分解為多個(gè)分量后,分量中的高頻信息隨著分解次數(shù)的增加而逐漸減少,這表明EEMD算法能將數(shù)據(jù)之間原本混雜的高低頻信息進(jìn)行分離,從而有利于后續(xù)的預(yù)測(cè)工作,當(dāng)分量中含有較多高頻分量時(shí),利用具有記憶效應(yīng)的LSTM網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)；當(dāng)分量中含有較多低頻分量時(shí),利用BPNN進(jìn)行預(yù)測(cè)。圖5表明,在熵值為1處作為一個(gè)分界點(diǎn),當(dāng)熵值大于1時(shí),熵值的變化趨勢(shì)較大,當(dāng)熵值小于1時(shí),熵值的變化趨勢(shì)較小。因此在筆者選擇樣本熵的閾值為1。BPNN與LSTM的初始3層神經(jīng)元個(gè)數(shù)分別為2、2、1,變量滯后項(xiàng)初始值為3,SSA算法以min[1-Rsquare]作為食物位置,最大迭代次數(shù)為10。整個(gè)網(wǎng)絡(luò)通過(guò)SSA算法優(yōu)化后的參數(shù)如表1所示。為突出筆者方案的優(yōu)越性,選用多步ARIMA(Autoregressive Integrated Moving Average Model)預(yù)測(cè)模型進(jìn)行對(duì)比分析,各模型預(yù)測(cè)結(jié)果如圖6所示。

表1 SSA優(yōu)化后的網(wǎng)絡(luò)參數(shù)Tab.1 Network parameters after SSA optimization

圖6 各模型預(yù)測(cè)結(jié)果對(duì)比曲線Fig.6 Comparison curve of prediction results of various models

從表1可看出,通過(guò)SSA優(yōu)化算法對(duì)組合模型進(jìn)行優(yōu)化后,BPNN和LSTM網(wǎng)絡(luò)結(jié)構(gòu)中的輸入層神經(jīng)元、隱含層神經(jīng)元及滯后項(xiàng)均有較大的改變,說(shuō)明SSA算法對(duì)整個(gè)組合模型具有一定的優(yōu)化效果。

從圖6可看出,EEMD-SSA組合模型具有良好的預(yù)測(cè)效果,無(wú)論是在負(fù)荷高峰或負(fù)荷低谷時(shí)期,組合模型的預(yù)測(cè)曲線相對(duì)于實(shí)際負(fù)荷曲線都有很好的跟隨效果。為進(jìn)一步說(shuō)明各預(yù)測(cè)模型的效果,分別計(jì)算ARIMA、EEMD-BPNN、EEMD-LSTM、EEMD-BPNN-LSTM及EEMD-SSA組合模型的性能指標(biāo),得到的性能指標(biāo)對(duì)比如表2所示。

表2 5種預(yù)測(cè)模型性能指標(biāo)對(duì)比Tab.2 Comparison of performance indicators of five prediction models

從表2可看出,傳統(tǒng)ARIMA模型的預(yù)測(cè)精度在4種性能指標(biāo)下均低于基于分解集成預(yù)測(cè)網(wǎng)絡(luò)模型的預(yù)測(cè)精度。在EEMD分解算法的基礎(chǔ)上對(duì)BP神經(jīng)網(wǎng)絡(luò)與LSTM網(wǎng)絡(luò)進(jìn)行組合后,組合模型的MAE相比于BPNN減小19.0%,相比于LSTM減小8.7%；組合模型的RMSE相比于BPNN降低20.0%,相比于LSTM降低6.7%；組合模型的MAPE相比于BPNN減小21.8%,相比于LSTM減小13.3%,組合模型的Rsquare相比于BPNN提升1.2%,相比于LSTM提升0.3%,各項(xiàng)性能指標(biāo)均優(yōu)于單一的網(wǎng)絡(luò)模型結(jié)構(gòu)。在使用SSA優(yōu)化算法對(duì)組合模型的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化后,相比于未經(jīng)優(yōu)化的組合模型,MAE、RMSE、MAPE分別降低35.8%、34.5%、34.7%,Rsquare相比于未優(yōu)化的組合模型提高1.2%。這表明SSA優(yōu)化后的組合預(yù)測(cè)模型的預(yù)測(cè)效果在組合模型的基礎(chǔ)上有進(jìn)一步的提升。

4 結(jié) 語(yǔ)

短期負(fù)荷預(yù)測(cè)是電力系統(tǒng)運(yùn)行中一項(xiàng)不可或缺的工作,準(zhǔn)確的負(fù)荷預(yù)測(cè)結(jié)果對(duì)整個(gè)電力系統(tǒng)具有重要的指導(dǎo)意義。由于電力負(fù)荷受多種環(huán)境因素影響,具有預(yù)測(cè)難度大的特點(diǎn),傳統(tǒng)的預(yù)測(cè)方法僅利用數(shù)據(jù)內(nèi)部之間的關(guān)系,使預(yù)測(cè)精度存在一定的不足。因此,為提高電力短期負(fù)荷的預(yù)測(cè)精度,筆者從分解集成的思想出發(fā),考慮一種集合多種網(wǎng)絡(luò)結(jié)構(gòu)的預(yù)測(cè)模型,采用信息熵作為衡量數(shù)據(jù)信息量的標(biāo)準(zhǔn),將IMF分量分別用于BPNN與LSTM進(jìn)行預(yù)測(cè),并將天氣、溫度、風(fēng)力及風(fēng)向等影響負(fù)荷變化的因素作為預(yù)測(cè)模型的輸入,同時(shí)采用SSA進(jìn)一步優(yōu)化預(yù)測(cè)模型的結(jié)構(gòu)參數(shù)。實(shí)驗(yàn)結(jié)果表明,該短期負(fù)荷預(yù)測(cè)方法相較于傳統(tǒng)ARIMA預(yù)測(cè)方法在確定性系數(shù)上提高8%,負(fù)荷預(yù)測(cè)的精度取得一定的提升。此外,筆者所提預(yù)測(cè)方法也可用于其他時(shí)間序列的預(yù)測(cè)中。