第十届挑战赛B1-基于CNN-BiLSTM的中短期电力负荷预测

摘 要：

随着配电网的不断发展，电力负荷数据量不断增加，且由于受到各种因素影响而具有较强的随机性。为了电力系统的规划和运行的稳定、经济的发展、人民的生活，准确地进行电力负荷预测显得十分重要。本文尝试运用深度学习，建立中短期的电力负荷预测模型，以期为电网合理调度和平稳运行的提供决策依据。

针对问题一，首先基于历史数据，建立了基于Bi-LSTM的单变量短期电力负荷预测模型；接着，考虑到气候、节假日等因素的影响较大且大多为非线性影响因素，基于copula函数量化了各个影响因素与电力负荷的相关性，再根据各个因素重要性程度，挑选对电力负荷影响较大的9个因素作为特征。为了更好地提取特征信息，建立了基于CNN-BiLSTM的多变量短期负荷预测模型；然后，对所建立模型进行超参数调优并训练，得到训练集RMSE为5385.38，MAPE为0.0153，测试集RMSE为3258.19，MAPE为0.0108；最后，为了衡量该模型对于未来短期负荷的预测能力，在调试好的机器模型基础上，选取数据集中的最后10天将负荷抹去再进行预测，得到预测误差RMSE为4038.7，MAE为3184.9，MAPE为0.015。同样，对数据集最后30天的分时负荷进行预测，得到每天的最大负荷及最小负荷，并与真实日负荷最大、最小值进行对比，得到预测误差分别为：最大值RMSE为7038.71，MAE为5184.86，MAPE为0.0288；最小值RMSE为5307.26，MAE为4392.19，MAPE为0.0217。

针对问题二，首先定义电力负荷数据存在三种突变点：均值突变、方差突变、趋势突变，再针对各类行业，采用Pettitt、Mann-Kendall检测法对均值类突变进行识别，PELT、SegNeigh检测法对方差类突变进行识别，滑动T检验法对趋势类突变进行识别，并计算各突变点的突变量级。通过突变时间和突变量级，我们分析得到各个行业的均值、方差突变主要受疫情和政策影响，趋势突变主要受春节影响；然后，考虑到不同类型行业的日负荷最值随机性较大、数据量小且突变点较多，分别对各类行业建立基于Prophet时间序列分解方法的日负荷最值预测模型，并以数据集最后30天为例进行日负荷最值预测，得到各行业日负荷极值预测误差分别为：大工业日负荷最大、最小值MAPE分别为0.087、0.142，普通工业为0.112、0.175，非普工业为0.077、0.12，商业为0.161、0.108。

本文分别运用深度学习算法、时间序列分解模型对电力负荷中短期、中期进行预测，通过准确度评估验证了模型的有效性及预测的准确性，所提融合模型能有效地应用于实际的电力系统负荷预测中。

关键词：电力系统；Bi-LSTM；Copula函数；CNN-BiLSTM；Prophet模型 

点击查看全文