基于IBKA-VMD-WTC-TSLANeT的短期电力负荷预测

彭彪; 于惠钧; 谢雄峰

doi:10.12404/j.issn.1671-1815.2502587

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (5) :2009-2017 DOI: 10.12404/j.issn.1671-1815.2502587

电工技术

基于IBKA-VMD-WTC-TSLANeT的短期电力负荷预测

彭彪 ¹ ,
于惠钧 ¹^,^* ,
谢雄峰 ²

作者信息 +

Short-term Power Load Forecasting Based on IBKA-VMD-WTC-TSLANeT

Author information +

文章历史 +

摘要

短期电力负荷预测是电力系统运行和管理的重要组成部分,对优化电力调度、提高电力系统可靠性具有重要作用。针对现有预测模型对高随机性的电力负荷特征提取能力不足问题提出一种短期电力负荷预测模型。它包括使用改进黑翅鸢算法(improved black kite algorithm,IBKA)优化参数的变分模态分解(variational mode decomposition,VMD)的数据分解部分,以及由小波变换卷积(wavelet transform convolution,WTC)和时间序列轻量自适应网络(time series lightweight adaptive network,TSLANet)组成的预测部分。首先使用VMD将原始数据分解为多个平稳的子序列,在分解中引入使用拉丁超立方抽样、Gompertz模型步长调整策略、北方苍鹰优化算法(northern goshawk optimization, NGO)随机整数因子改进的BKA算法对分解层数和惩罚因子进行寻优,提高其分解精度。接着将分解的各个分量分别与气温和湿度数据输入WTC-TSLANeT组合模型进行预测,其中WTC通过小波变换对时间序列进行多尺度分解以增强模型对复杂时间序列的表征能力,TSLANet通过局部特征提取和频域特征增强,进一步提升模型对时间依赖关系的建模能力。最终将各个分量的预测值叠加重构得到最终预测值。对比实验结果表明,所提模型有更强的电力负荷特征提取能力和更高的预测精准度。

Abstract

Short term power load forecasting is an important component of power system operation and management, playing a crucial role in optimizing power dispatch and improving power system reliability. A short-term power load forecasting model was proposed to address the problem of insufficient ability of existing forecasting models to extract high randomness power load features. It includes the data decomposition part of variational mode decomposition (VMD) using improved black kite algorithm (IBKA) to optimize parameters, as well as the prediction part consisting of wavelet transform convolution (WTC) and time series lightweight adaptive network (TSLANet). Firstly, VMD was used to decompose the raw data into multiple stationary subsequences. The BKA algorithm, which utilizes Latin hypercube sampling, Gompertz model step size adjustment strategy, and northern goshawk optimization (NGO) random integer factor improvement, was introduced to optimize the decomposition layers and penalty factors, thereby improving the decomposition accuracy. Then, the decomposed components were input into the WTC-TSLANeT combination model along with temperature and humidity data for prediction. WTC performs multi-scale decomposition on the time series through wavelet transform to enhance the model’s ability to represent complex time series. TSLANet further improves the model’s ability to model time-dependent relationships through local feature extraction and frequency domain feature enhancement. Finally, the predicted values of each component were superimposed and reconstructed to obtain the final predicted value. The comparative experimental results show that the proposed model has stronger ability to extract power load characteristics and higher prediction accuracy.

Graphical abstract

关键词

短期负荷预测 / 改进黑翅鸢算法 / 变分模态分解 / 小波变换卷积 / 时间序列轻量自适应网络

Key words

short-term load forecasting / improved black kite algorithm / variational mode decomposition / wavelet transform convolution / time series lightweight adaptive network

引用本文

引用格式 ▾

彭彪, 于惠钧, 谢雄峰. 基于IBKA-VMD-WTC-TSLANeT的短期电力负荷预测[J]. 科学技术与工程, 2026, 26(5): 2009-2017 DOI:10.12404/j.issn.1671-1815.2502587

PENG Biao, YU Hui-jun, XIE Xiong-feng. Short-term Power Load Forecasting Based on IBKA-VMD-WTC-TSLANeT[J]. Science Technology and Engineering, 2026, 26(5): 2009-2017 DOI:10.12404/j.issn.1671-1815.2502587

登录浏览全文

4963

注册一个新账户忘记密码

随着“碳达峰、碳中和”目标的提出,新能源在电力能源供给中的占比持续提升,将推动形成新能源占比逐步提高的新型电力系统^[1]。在此背景下,随着电能替代不断深化与电气化水平不断提高,电力负荷作为新型电力系统的重要组成部分,正在逐渐朝着多元化的方向发展^[2]。而电力系统负荷预测对新型电力系统的规划、运行、控制与调度有着重要意义,因此必须结合现有技术不断优化电力负荷预测方法,提高其精准度。

电力系统负荷预测传统方法包括时间序列法^[3]、回归分析法^[4]等。这些传统方法虽然具有较好解释性,运行速度快,但对数据突变适应性差、处理非线性关系能力有限,随着人工智能技术的发展,正逐步被机器学习和深度学习方法所取代。对比传统预测模型,机器学习和深度学习预测模型在处理复杂非线性关系和高维数据方面具有显著优势,有着更好的适应性和更强的预测能力,如随机森林(random forest,RF)^[5]、支持向量机(support vector machine,SVM)^[6]、长短期记忆神经网络(long short term memory,LSTM)^[7]、门控循环单元(gated recurrent unit,GRU)^[8]等。但单一预测模型对于复杂的非线性关系和长期依赖关系的处理能力有限导致预测精度不够理想,因此提出组合预测模型解决这一问题。如文献[9]将卷积神经网络(convolutional neural networks, CNN)和GRU组合在一起,将CNN的局部特征提取能力和GRU有效捕捉时间序列数据中的长期依赖关系能力相结合,提高预测精度,但此组合模型在时间依赖性建模方面的能力不足且计算复杂度较高,还需进一步开发。

电力负荷数据具有非平稳性和高噪声的特点,直接用于预测可能效果不佳,而通过对数据进行分解处理可以提取数据特征和增强数据抗噪性,从而显著提高预测精度。文献[10]利用经验模态分解(empirical mode decomposition,EMD)将原始信号分解为一系列本征模态函数和一个残差量输入预测模型进行预测,但EMD容易出现模态混叠,导致分解结果不准确。文献[11]使用针对负荷数据的非平稳性、随机性与非线性特点,使用VMD将原始信号分解后再进行预测以提高预测精度,但VMD的参数需要手动调控,难以得到最佳的分解效果。文献[12]使用麻雀优化算法(sparrow search algorithm, SSA)对VMD的参数进行寻优,确保原始数据分解充分,此方法中算法的寻优能力将直接影响组合模型的预测结果。

为解决上述预测模型的问题,现提出基于IBKA-VMD-WTC-TSLANeT的组合预测模型。首先通过IBKA以排列熵(permutation entropy,PE)为适应度函数对VMD的参数寻优,将原始数据分解为多个子序列后分别和气温湿度数据一同输入WTC-TSLANeT模块进行预测,最后将各个预测分量叠加重构得到预测值。并将原本用于处理图像任务的二维WTC改为一维,使它能对时间序列进行多尺度分解,提取时间序列的时频特征,捕捉不同时间尺度上的变化,TSLANeT通过频域操作,能够自适应地调整高频和低频成分的权重,进一步增强特征提取能力。通过WTC和TSLANeT从不同方向对电力负荷进行特征提取,使得组合模型对比传统预测模型在频繁波动的电力负荷预测任务上有更好的适应性。

1 模型概述

1.1 变分模态分解

VMD是一种信号处理方法,通过变分优化的方式将原始信号分解为多个IMF分量,在预测任务中,以IMF分量作为输入,能使预测模型从不同频率角度学习信号特征。分解过程如下。

约束变分模型:

(1)$\left\{\begin{array}{l}\min _{\left\{\boldsymbol{u}_k\right\},\left\{\omega_k\right\}}\left(\sum_{k=1}^K\left\|\partial_t\left\{\left[\delta(t)+\frac{\mathrm{j}}{\pi t}\right] \boldsymbol{u}_k(t)\right\} \mathrm{e}^{-\mathrm{j} \omega_k t}\right\|_2^2\right) \\ \text { s.t. } \sum_{k=1}^K \boldsymbol{u}_k(t)=\boldsymbol{f}(t)\end{array}\right.$

式(1)中:u_k(t)为各模态分量;δ(t)为狄拉克函数;ω_k为各分量的中心频率;K为分解层数;f(t)为输入信号。

引入用拉格朗日乘子λ(t)和惩罚因子α将约束变分问题中变为无约束问题,分别保证约束的严密性和信号重构的精度。

(2)$\begin{gather*}L\left(\left\{\boldsymbol{u}_k\right\},\left\{\boldsymbol{\omega}_k\right\}, \lambda\right)=\alpha \sum_{k=1}^K \| \alpha\left\{\left[\delta(t)+\frac{\mathrm{j}}{\pi t}\right] \times\right. \\\left.\boldsymbol{u}_k(t)\right\} \mathrm{e}^{-\mathrm{j} \boldsymbol{\omega}_k t}\left\|_2^2+\right\| \boldsymbol{f}(t)-\sum_{k=1}^K \boldsymbol{u}_k(t) \|_2^2+ \\\left\langle\lambda(t), \boldsymbol{f}(t)-\sum_{k=1}^K \boldsymbol{u}_k(t)\right\rangle \end{gather*}$

式(2)中:<·>为内积运算。

1.2 改进黑翅鸢算法

1.2.1 黑翅鸢算法

黑翅鸢算法BKA是根据黑翅鸢的迁徙和捕食行为所提出的一种仿生优化算法^[13]。它融合了柯西变异策略和leader策略提高了算法的全局搜索能力以及收敛速度。

它通过创建随机解初始化种群,表达式为

(3)x_i=lb+rand(ub-lb)

式(3)中:lb和ub分别为初始化的上界与下界;rand为[0,1]的随机值。

黑翅鸢在飞行过程中根据风速和调整翅膀与尾巴角度悬停观察猎物,然后俯冲攻击,数学表达式为

(4)${y}_{\mathrm{t}+1}^{\mathrm{i},\mathrm{j}}$=$\left\{\begin{array}{ll}{y}_{t}^{\mathrm{i},\mathrm{j}}+n[1+\mathrm{s}\mathrm{i}\mathrm{n}(r\left)\right]{y}_{t}^{\mathrm{i},\mathrm{j}},& p<r\\ {y}_{t}^{\mathrm{i},\mathrm{j}}+n(2r-1){y}_{t}^{\mathrm{i},\mathrm{j}},& \mathrm{其}\mathrm{他}\end{array}\right.$

(5)n=0.05${\mathrm{e}}^{-2{(t/T)}^{2}}$

式中:

${y}_{t}^{\mathrm{i},\mathrm{j}}$

和

${y}_{\mathrm{t}+1}^{\mathrm{i},\mathrm{j}}$

分别为在j维的第i个个体第t次和第t+1次迭代的位置;r为[0,1]的随机值;p为常数0.9;t为当前迭代次数;T为总迭代次数;n为黑翅鸢的攻击过程位置更新幅度。

黑翅鸢为了适应季节变化,需要在冬季从北向南迁徙,数学表达式为

(6)${y}_{\mathrm{t}+1}^{\mathrm{i},\mathrm{j}}$=$\left\{\begin{array}{ll}{y}_{t}^{\mathrm{i},\mathrm{j}}+C\left(\mathrm{0,1}\right)({y}_{t}^{\mathrm{i},\mathrm{j}}-{L}_{t}^{j}),& {\mathrm{F}}_{\mathrm{i}}<{\mathrm{F}}_{r\mathrm{i}}\\ {y}_{t}^{\mathrm{i},\mathrm{j}}+C\left(\mathrm{0,1}\right)({L}_{t}^{j}-m{y}_{t}^{\mathrm{i},\mathrm{j}}),& \mathrm{其}\mathrm{他}\end{array}\right.$

(7)m=2sin(r+π/2)

式中:C(0,1)为柯西变异;

${L}_{t}^{j}$

为在第j维的第t次迭代中的领导者;F_i为第i个个体的适应度值;F_r_i为随机个体的适应度值;m为平衡参数。

1.2.2 拉丁超立方抽样

拉丁超立方抽样是一种从多元参数分布中近似随机抽样的方法,属于分层抽样技术^[14]。它将各维度参数空间均匀地划分成若干个子区间,然后从每个子区间中随机抽取样本点,以此来保证样本点在参数空间中的均匀分布,从而提高抽样效率和准确性。用拉丁超立方抽样替代BKA算法的随机抽样,即用式(8)替换BKA算法的式(3)能加快算法的收敛速度,使种群能更快地逼近全局最优解。每个维度下的拉丁超立方抽样公式为

(8)x_i=lb+$\frac{i-1+\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}}{\mathrm{p}\mathrm{o}\mathrm{p}}$(ub-lb)

式(8)中:pop为每个维度被分解的子空间的个数,保证每个子空间恰好包含一个样本。两种分布方式对比图如图1所示。

1.2.3 Gompertz模型步长调整策略

步长调整在优化算法中直接影响着算法的搜索效率、收敛速度以及最终解的质量。因此引入在几何曲线上呈现出S形的Gompertz模型对算法进行步长调整,在算法迭代初期,较大的步长加强算法的全局探索能力,快速搜索整个解空间,随着迭代进行减小步长,有助于算法在局部内精细搜索,提高解的精度。具体表达式为

(9)n(t)=A

${\mathrm{e}}^{-{\mathrm{e}}^{B-Yt}}$

式(9)中:n(t)为当前步长;A为控制步长的上限;B为控制步长变化的速率,使得算法在不同阶段具有合适的搜索能力;Y为步长变化的延迟程度,可以控制算法的收敛速度。

1.2.4 NGO随机整数因子

北方苍鹰优化算法(northern goshawk optimization, NGO)是一种多目标最优寻参优化算法,是通过搜寻目标并进行全局搜索的方式找寻最优解的一种优化算法^[15]。该算法在苍鹰识别猎物过程通过引入可以取1或2的随机整数I控制个体的位移,增强算法的探索能力。受此启发,引入参数I,用式(10)替换BKA算法的式(6),当个体的适应度值小于随机选择的其他个体的适应度值时,增加此个体向最佳个体的位移,以此提高BKA算法的解的质量,加快收敛速度。

(10)${y}_{\mathrm{t}+1}^{\mathrm{i},\mathrm{j}}$=$\left\{\begin{array}{ll}{y}_{t}^{\mathrm{i},\mathrm{j}}+C\left(\mathrm{0,1}\right)({y}_{t}^{\mathrm{i},\mathrm{j}}-I{L}_{t}^{j}),& {\mathrm{F}}_{\mathrm{i}}<{\mathrm{F}}_{r\mathrm{i}}\\ {y}_{t}^{\mathrm{i},\mathrm{j}}+C\left(\mathrm{0,1}\right)({L}_{t}^{j}-m{y}_{t}^{\mathrm{i},\mathrm{j}}),& \mathrm{其}\mathrm{他}\end{array}\right.$

1.2.5 IBKA算法测试

为测试IBKA算法的有效性,分别与黑翅鸢算法(BKA)、粒子群算法(particle swarm optimization, PSO)、灰狼算法(grey wolf optimizer,GWO)、麻雀搜索算法(SSA)、鲸鱼优化算法(whale optimization algorithm,WOA )在两种标准测试函数下进行搜寻能力测试,其中种群规模设置为30,迭代次数设置为500。其中测试函数及参数如表1所示。测试结果如图2所示,可见IBKA效果最佳。

1.3 小波卷积网络

小波卷积网络WTC是一种使用级联小波分解并执行一组小核卷积的层^[16],通过残差结构保留原始信号特征,对比传统卷积神经网络,它仅添加少量可训练参数就能有更大的感受野,在处理时序数列的任务中有着更为强大的特征提取能力。一维WTC每级的感受野变化关系如图3所示。

给定f_LL低通滤波器和f_LH高通滤波器,具体权重为

(11)

$\left\{\begin{array}{l}{f}_{\mathrm{L}\mathrm{L}}=\frac{1}{\sqrt{2}}\left[\mathrm{1,1}\right]\\ {f}_{\mathrm{L}\mathrm{H}}=\frac{1}{\sqrt{2}}[1,-1]\end{array}\right.$

对输入序列X进行卷积运算,同时降采样步长设定为2,可表示为

(12)[X_LL,X_LH]=Conv([f_LL,f_LH],X)

式(12)中:X_LL为低频部分,包含全局趋势信息;X_LH为高频部分,包含局部波动信息。

由于f_LL和f_LH形成正交基,在一维逆小波变换中使用转置卷积将低频和高频信息恢复为原始信号,表达式为

(13)X=Conv_transposed([f_LL,f_LH],[X_LL,X_LH])

级联小波变换可表示为

(14)[${X}_{\mathrm{L}\mathrm{L}}^{\left(i\right)}$,${X}_{\mathrm{L}\mathrm{H}}^{\left(i\right)}$]=WT[${X}_{\mathrm{L}\mathrm{L}}^{(i-1)}$]

式(14)中:i为小波分解的层数,是决定模型多尺度特征提取能力的关键参数。

为了降低计算复杂度,WTC引入深度可分离卷积将标准卷积分解为逐通道卷积和逐点卷积。它不仅能够对不同频率成分的卷积进行分离,还能增大感受野。为了在尽量不增加参数的情况下提高WTC的性能,在使用IWT构造输出之前,对不同频率子代执行深度卷积,公式为

(15)Y=IWT{DSConv[W,WT(X)]},W∈R^k^×2^c

式(15)中:X为输入张量;W为深度卷积核的权重张量。

1.4 时间序列轻量自适应网络

时间序列轻量自适应网络TSLANeT是一种通过使用傅里叶分析的自适应频谱块和交互式卷积块来增强时间序列特征并捕获序列的相互关系^[17],同时使用自适应阈值减轻序列噪声,并加入自监督学习来提高整个网络对于处理复杂时间序列的能力。对比其他预测模型有着更好的鲁棒性和对不同数据集的适应性。

首先对输入序列进行快速傅里叶变换,将N个复数x[n]转换为频域表示。快速傅里叶变换(fast Fourier transform,FFT)是离散傅里叶变换(discrete Fourier transform,DFT)的高效算法,通过分治法将时间复杂度从O(N²)降低至O(Nlog₂N),表达式为

(16)X[k]=$\stackrel{N-1}{\sum _{n=0}}$x[n]${W}_{N}^{kn}$

式(16)中:

${\mathrm{W}}_{\mathrm{N}}^{}$

为DFT中的e^-j(2π^/N⁾,j为虚数单位;序列x[n]在频率ω_k=2πk/N处的谱由X[k]表示。

数据的高频特征往往更具随机性且难以捕捉,因此在自适应频谱块中引入自适应局部滤波器使模型能根据数据集的特征动态调节滤波强度,消除高频噪声。该方法通过时频分析实时监测频谱变化,采用滑动窗口技术结合信息熵指标构建阈值自适应调整算法,同时结合反馈机制持续优化滤波参数确保在保持信号特征的同时最大化抑制噪声干扰。具体优化过程如下。

首先,计算经FFT变换的频域信号F的功率谱识别时间序列中的主导部分。

(17)P=${\left|F\right|}^{2}$

再引入训练时通过反向传播持续优化的可学习参数θ区分有效信号与噪声。

(18)F_filtered=F☉(P>θ)

式(18)中:☉表示逐元素乘法;(P>θ)表示保留功率高于阈值θ的部分的二元掩码。

为了进一步增强模型特征提取能力,引入两种可学习滤波器。全局滤波器W_G用于对原始频域信号进行基本的频域加权,增强特征表示。W_L用于在自适应滤波过程中对高频部分进行进一步加权,增强高频特征并减轻噪声影响。

(19)F_G=W_G􀱋F

(20)F_L=W_L􀱋F_filtered

(21)F_I=F_G+F_L

式中:􀱋表示循环卷积过程。

在频域中被处理的序列X'[k]经逆变换时域表示为

(22)S'=$\frac{1}{N}\stackrel{N-1}{\sum _{k=0}}$X'[k]e^j(2π^/N⁾^kn

交互式卷积块ICB利用双层卷积结构,依赖小核卷积捕捉数据中的细粒度局部模式,大核卷积识别数据的长期依赖,通过逐元素乘法实现双路特征的动态调制。具体如下。

(23)I₁=φ[Conv1(S')]☉Conv2(S')

(24)I₂=φ[Conv2(S')]☉Conv1(S')

(25)O_ICB=Conv3(I₁+I₂)

式中:Conv1、Conv2和Conv3都为一维卷积,且Conv1和Conv2的核数量不同;ϕ为GELU激活函数;O_ICB为通过增强的特征,可通过后续的全连接层进行预测任务。

2 IBKA-VMD-WTC-TSLANeT模型

2.1 IBKA优化VMD流程

VMD分解中惩罚因子α过大会丢失一些重要的信号特征,过小可能会导致模态混叠现象,而过大的分解层数K会导致过分解,使得模态包含过多噪声,过小会导致重要特征无法被充分提取。因此使用IBKA对这两个参数进行寻优,同时选用排列熵作为适应度函数,寻优过程中熵值最小的解即为最优解。具体优化流程如下。

步骤1 设置待寻优参数的寻优范围、种群数量与迭代次数、Gompertz模型的3个参数的值。

步骤2 使用拉丁超立方抽样初始化种群,根据适应度值选出最佳参数。

步骤3 用当前最优参数组合进行VMD分解,同时计算适应度值。

步骤4 进入IBKA算法的攻击阶段,按式(5)更新攻击行为平衡参数,式(4)更新个体位置与适应度值。

步骤5 进入IBKA算法的迁徙阶段,按式(7)更新迁徙行为平衡参数,式(10)更新个体位置与适应度值。

步骤6 达到最大迭代次数后输出最佳参数组合,如果没有达到则返回步骤3。

IBKA优化VMD流程图如图4所示。

2.2 WTC-TSLANet预测模型

原始数据经VMD分解为若干IMF分量后,各个分量分别和湿度温度数据一起进入WTC-TSLANeT模型进行预测。

数据进入WTC层先被一次小波分解为高频和低频分量,其中由于低频信号表征长期趋势、变化周期等核心规律,对它进行二次分解。将一次低频分量经二次分解产生的二次高低频分量一起送入到k=3的深度卷积层进行特征提取,深度卷积通过滑动窗口的局部感知机制,自动学习各分量的时域模式。特征提取后的数据经逆变换重构后与一次高频分量残差连接,通过k=3的深度卷积层进一步学习时域特征后再次逆变换重构。最后与经k=5的一维卷积层提取浅层局部特征的原始数据进行残差连接一起进入k=1的逐点卷积层进行特征融合,同时将深度卷积输出的高维特征映射到统一语义空间,为后续TSLANeT模块提供规范化特征表达。

WTC处理后的数据经归一化层调整输入分布后进入ASB模块进行快速傅里叶变换,从时域映射到频域。在频域中,通过可学习的复数权重矩阵实施频谱调制增强特征,自适应阈值滤波降低噪声影响后,逆傅里叶变换重构时域信号输入归一化层再次调整输入分布。随后输入ICB模块进行跨通道交互与局部特征增强,其中ICB由k=1的一维卷积和k=3的一维卷积通过元素级乘法进行双路交互,激活函数为GELU函数,将交互结果相加后,由k=1的一维卷积融合并降维后最终通过残差连接与原始输入融合,形成兼具全局频域特征与局部时域细节的混合表示后由全连接层完成预测任务。WTC-TSLANeT结构图如图5所示。

3 算例分析

3.1 实验数据与评价指标

采用2016年电工杯竞赛数据集中的2014年3月1日—4月29日共60 d的电力负荷、温度、湿度数据。每15 min一个采样点,总共5 760组数据,负荷数据量纲为MW,以前4个时间点的负荷与环境数据作为输入用于下一个时间点的负荷值。按9∶1的比例划分训练集与测试集,即以最后6 d的数据作为测试集。

采用均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)和平均绝对百分比误差(mean absolute percentage error, MAPE)为评价指标,计算公式如下。

(26)RMSE=$\sqrt{\frac{1}{N}\stackrel{N}{\sum _{i=1}}({y}_{i}-{\stackrel{\wedge }{y}}_{i}{)}^{2}}$

(27)MAE=$\frac{1}{N}\stackrel{N}{\sum _{i=1}}\left|{y}_{i}-{\stackrel{\wedge }{y}}_{i}\right|$

(28)MAPE=$\frac{1}{N}\stackrel{N}{\sum _{i=1}}\frac{\left|{\stackrel{\wedge }{y}}_{i}-{y}_{i}\right|}{{\stackrel{\wedge }{y}}_{i}}$×100%

式中:N为样本总数;y_i为实际负荷值;

${\stackrel{\wedge }{y}}_{i}$

为模型预测负荷值。

3.2 IBKA优化VMD结果

设置IBKA算法参数A为0.05,B为0.3,Y为0.5,种群数量为20,迭代次数为30,参数α的寻优范围为[500,3 000],参数K的寻优范围为[2,10]。在熵值最小时,寻优结果α和K的值分别为1 800和6,原始负荷图和各个分量图如图6所示。

3.3 WTC分解层数测试

在本文模型中,WTC的分解层数K_wt会直接影响WTC的性能,如果K_wt设置过小,会使模型忽略局部细节和高频信息,导致特征提取不充分,但如果设置过大会在增加模型复杂度的同时放大数据中的噪声,降低模型泛化能力。因此实验选用WTC-TSLANeT模型在不同K_wt下的预测误差作为指标,选择合适的K_wt取值。实验结果如表2所示。

由表2可知,K_wt=2比K_wt=1时的预测准确度有明显提升,而继续提升WTC的分解层数并不能提高预测精度,因此K_wt=2是最合适的分解尺度。

3.4 消融对比实验

为了验证模型的各个模块对整体预测性能的影响,选取TSLANeT、WTC-TSLANeT、VMD-WTC-TSLANeT 、BKA-VMD-WTC-TSLANeT以及完整模型进行对比,超参数保持一致。结果如表3和图7所示。

由表3可知,从单独用TSLANeT进行预测开始,每增加一个模块,三项误差指标都会降低,因此本文模型的每个模块在对提高预测精度上都起到了良好的作用。

3.5 模型对比实验

原始数据结果经过IBKA-VMD分解后,将各个分量分别与温度湿度数据送入WTC-TSLANeT模型进行预测,各个模态的预测结果如图8所示,将各个模态的预测值重构后得到最终预测结果。

为验证本文模型的预测性能以及WTC与TSLANeT模块对比其他功能相似模块的优势,分别用TCN、CNN、BiLSTM、Transformer、GRU替换原模型中功能相似模块,设置5个对比模型。其中,模型1为IBKA-VMD-CNN-TSLANeT、模型2为IBKA-VMD-TCN-TSLANeT、模型3为IBKA-VMD-WTC-BiLSTM、模型4为IBKA-VMD-WTC-Transformer、模型5为IBKA-VMD-WTC-GRU。对比结果如表4和图9所示。

由表4可知,IBKA-VMD-WTC-TSLANeT的预测误差是最小的,且对比模型1和模型2,评价指标分别下降97.641 9 MW、74.218 6 MW、0.91%和42.888 2 MW、44.470 7 MW、0.61%。说明WTC对比另外两种模块有更好的特征提取能力。IBKA-VMD-WTC-TSLANeT对比模型3、模型4和模型5,评价指标分别下降33.082 6 MW、38.88 9 MW、0.58%和64.556 6 MW、53.743 6 MW、0.71%和80.280 2 MW、59.517 MW、0.74%。说明TSLANeT对比其他三种模块在组合模型中有更好的预测精度提升。

4 结论

针对传统电力负荷预测模型对具有随机性和波动性的电力负荷数据的特征挖掘能力不足问题,提出一种基于IBKA-VMD-WTC-TSLANeT的短期电力负荷预测模型,通过对比实验可以得出以下结论。

(1)采用引入拉丁超立方抽样初始化种群、Gompertz模型调整步长策略、NGO随机整数的IBKA算法对VMD的参数进行寻优,提高VMD分解精度。

(2)将VMD分解的各个分量分别和温度湿度数据经WTC-TALANeT网络进行特征提取,充分挖掘时域和频域特征,抑制噪声,并进行特征增强。

(3)所提出的混合模型发挥了各自模块的优点,在与其他组合模型的对比试验中,预测误差最小,验证了本文模型的合理性和优越性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	冯斌, 胡轶婕, 黄刚, 等. 基于深度强化学习的新型电力系统调度优化方法综述[J]. 电力系统自动化, 2023, 47(17): 187-199.

[2]	Feng Bin, Hu Yijie, Huang Gang, et al. Review on optimization methods for new power system dispatch based on deep reinforcement learning[J]. Automation of Electric Power Systems, 2023, 47(17): 187-199.

[3]	韩富佳, 王晓辉, 乔骥, 等. 基于人工智能技术的新型电力系统负荷预测研究综述[J]. 中国电机工程学报, 2023, 43(22): 8569-8592.

[4]	Han Fujia, Wang Xiaohui, Qiao Ji, et al. Review on artificial intelligence based load forecasting research for the new-type power system[J]. Proceedings of the CSEE, 2023, 43(22): 8569-8592.

[5]	李丹, 孙光帆, 缪书唯, 等. 基于多维时序信息融合的短期电力负荷预测方法[J]. 中国电机工程学报, 2023, 43(S1): 94-106.

[6]	Li Dan, Sun Guangfan, Miao Shuwei, et al. A short-term power load forecasting method based on multidimensional temporal information fusion[J]. Proceedings of the CSEE, 2023, 43(S1): 94-106.

[7]	肖暾. 基于多组实时数据回归分析的空调负荷预测方法研究[J]. 能源工程, 2024, 44(1): 13-17.

[8]	Xiao Tun. Research on air conditioning load forecasting method based on multiple real time data regression analysis[J]. Energy Engineering, 2024, 44(1): 13-17.

[9]	张羽姗, 周亚同. 基于VMD-SSA-RF算法的短期电力负荷预测模型优化[J]. 电工电能新技术, 2024, 43(12): 30-39.

[10]	Zhang Yushan, Zhou Yatong. Optimization of short-term power load prediction model based on VMD-SSA-RF algorithm[J]. Advanced Technology of Electrical Engineering and Energy, 2024, 43(12): 30-39.

[11]	王晨, 李又轩, 吴其琦, 等. 基于SVM-STL-LSTM的区域短期电力负荷预测研究[J]. 水电能源科学, 2024, 42(4): 215-218.

[12]	Wang Chen, Li Youxuan, Wu Qiqi, et al. Research on regional short-term load forecasting based on SVM-STL-LSTM[J]. Water Resources and Power, 2024, 42(4): 215-218.

[13]	李文, 卜凡鹏, 王坤, 等. 基于GRA-GWO-LSTM的多元负荷协同预测方法[J]. 科学技术与工程, 2024, 24(36): 15518-15525.

[14]	Li Wen, Bu Fanpeng, Wang Kun, et al. Multi-energy load forecasting method based on GRA-GWO-LSTM[J]. Science Technology and Engineering, 2024, 24(36): 15518-15525.

[15]	肖威, 方娜, 邓心. 基于VMD-LSTM-IPSO-GRU的电力负荷预测[J]. 科学技术与工程, 2024, 24(16): 6734-6741.

[16]	Xiao Wei, Fang Na, Deng Xin, et al. Short-term load forecasting based on VMD-LSTM-IPSO-GRU[J]. Science Technology and Engineering, 2024, 24(16): 6734-6741.

[17]	程明, 翟金星, 马骏, 等. 基于迁移学习的CNN-GRU短期电力负荷预测方法[J]. 武汉大学学报(工学版), 2024, 57(6): 812-820.

[18]	Cheng Ming, Zhai Jinxing, Ma Jun, et al. Transfer learning based CNN-GRU short-term power load forecasting method[J]. Engineering Journal of Wuhan University, 2024, 57(6): 812-820.

[19]	曾进辉, 苏旨音, 肖锋, 等. 基于生成对抗网络和EMD-ISSA-LSTM的短期电力负荷预测[J]. 电子测量技术, 2024, 47(20): 92-100.

[20]	Zeng Jinhui, Su Zhiyin, Xiao Feng, et al. Short-term power load forecasting based on generative adversarial networks and EMD-ISSA-LSTM[J]. Electronic Measurement Technology, 2024, 47(20): 92-100.

[21]	杨健, 孙涛, 陈小龙, 等. 基于VMD-EWT-IASSP-EBILSTM的短期电力负荷预测[J]. 科学技术与工程, 2023, 23(27): 11646-11654.

[22]	Yang Jian, Sun Tao, Chen Xiaolong, et al. Short-term power load forecasting based on VMD-EWT-IASSP-EBILSTM[J]. Science Technology and Engineering, 2023, 23(27): 11646-11654.

[23]	邱岳, 咸晓雨, 于向东, 等. 基于SSA-VMD-CNN-BiGUR的矿区负荷预测[J]. 能源与环保, 2025, 47(2): 209-214.

[24]	Qiu Yue, Xian Xiaoyu, Yu Xiangdong, et al. Load forecasting of mining area based on SSA-VMD-CNN-BiGUR[J]. China Energy and Environmental Protection, 2025, 47(2): 209-214.

[25]	Wang J, Wang W, Hu X, et al. Black-winged kite algorithm: a nature-inspired meta-heuristic for solving benchmark functions and engineering problems[J]. Artificial Intelligence Review, 2024, 57(4): 98.

[26]	付波, 康毅恒, 李超顺, 等. 基于t分布杂草算法的风储一体化电力系统优化调度[J]. 武汉大学学报(工学版), 2024, 57(10): 1505-1512.

[27]	Fu Bo, Kang Yiheng, Li Chaoshun, et al. Optimal scheduling of wind-energy storage integrated power system based on t-distributed weed algorithm[J]. Engineering Journal of Wuhan University, 2024, 57(10): 1505-1512.

[28]	谢海波, 乔冠洲, 代程, 等. 基于NGO-Bi-GRU的船舶轨迹预测模型[J]. 舰船科学技术, 2025, 47(4): 14-20.

[29]	Xie Haibo, Qiao Guanzhou, Dai Cheng, et al. Ship trajectory prediction model based on NGO-Bi-GRU[J]. Ship Science and Technology, 2025, 47(4): 14-20.

[30]	Finder S E, Amoyal R, Treister E, et al. Wavelet convolutions for large receptive fields[C]// European Conference on Computer Vision. Cham: Springer Nature Switzerland, 2024: 363-380.

[31]	Eldele E, Ragab M, Chen Z, et al. TSLANET: rethinking transformers for time series representation learning[J]. ArXiv: 2404.08472, 2024.

基金资助

国家重点研发计划(2022YFE0105200)

PDF (8393KB)

访问

被引

详细

导航

Received	Published	Revised
2025-04-13	2026-02-18	2025-11-14
Online Date
2026-05-27

摘要