注意力机制下的EMD-GRU短期电力负荷预测

方娜，余俊杰，李俊晓，陈浩

(1.湖北工业大学 太阳能高效利用及储能运行控制湖北省重点实验室，湖北 武汉 430068；2.湖北工业大学 湖北省电网智能控制与装备工程技术研究中心，湖北 武汉 430068)

电力负荷预测在电力系统的调度运行中起着重要作用，根据预测时间可分为长期、中期和短期预测.准确的短期负荷预测不仅能帮助系统安全可靠地运行，还能减少资源浪费，提高经济效益[1].

目前，短期电力负荷预测模型主要有统计模型和基于人工智能模型两大类.统计模型中，指数平滑法[2]难以鉴别出数据之间的转折点，在预测带有季节性的数据时，效果不好.自回归移动平均值(auto regressive moving average，ARMA)[3-4]在本质上只能捕捉线性关系，不能捕捉非线性关系.这些统计方法虽简单且速度快，但均无法很好地拟合非线性时序数据，存在局限性.在人工智能的模型中，人工神经网络(artificial neural network，ANN)[5-6]可逼近任意非线性函数，但不能挖掘出数据间的相关性，也需人为选择时间特征.长短期记忆网络(long short-term memory，LSTM)[7-11]能更精确地学习时间序列间的长期依赖性关系，解决需要人工提取时序特征和梯度消失的问题，但其收敛速度较慢.门控循环单元(gated recurrent unit，GRU)[12-13]减少运算单元，改进LSTM，具有更快的收敛速度，并保持与LSTM接近的准确率.GRU能同时兼顾负荷序列的非线性和时序性，但预测效果会因负荷序列中非平稳部分明显下降.经验模态分解(empirical modal decomposition，EMD)[14-16]降低原始电力负荷序列的非平稳性，将非平稳的负荷序列重构成一定数量、不同尺度和相……