基于CEEMDAN的短期电力负荷预测混合模型

《Electric Power Systems Research》：CEEMDAN-Based hybrid models for short-term power load forecasting

　　

• •
  本研究提出了一种深度学习框架，以提高短期电力负荷预测的准确性。开发了两种混合模型，分别用于捕捉快速局部波动和长期趋势。
• •
  采用信号分解方法将噪声与趋势分离，提升数据质量和模型鲁棒性。
• •
  与传统方法相比，所提出的模型在日、周、月预测周期上的预测误差降低了高达40%。
• •
  这些改进提供了更可靠的负荷预测，支持更安全、更稳定的电网运行。

引言

电力系统需要实时平衡且零冗余，因此预测误差会直接放大机组启停操作和潮流风险。随着快速充电电动汽车、数据中心和商业空调的迅速普及，传统的"日峰夜谷"负荷特征已演变为包含高频尖峰和季节性周期的复合模式。近年来，负荷标准差显著增大，突发性负荷波动日益对区域电网稳定性构成威胁[[1], [2], [3]]。

现有预测方法存在明显局限。大多数现有方法仅沿单一时间维度进行优化：要么关注短期尖峰，要么强调长期周期性，因此无法联合建模多尺度动态[[4], [5], [6]]。对于短期变化，分解结合门控循环单元或基于注意力的网络等方法能有效捕捉局部模式，但对噪声敏感且泛化能力有限[[7], [8], [9], [10]]。对于长期周期趋势，结合Prophet的TCN或基于Transformer的架构可以捕捉长程依赖，但往往计算成本高，且可能无法检测到罕见异常[[11], [12], [13], [14]]。

此外，许多混合模型将信号分解与深度学习相结合，包括CEEMDAN-TCN-LSTM [15]、CEEMDAN-TGA三阶段TCN-GRU-Attention [16]以及CEEMDAN结合麻雀搜索+CNN+BiLSTM [[17], [18], [19]]。虽然这些方法提高了预测性能，但它们通常以单一分辨率处理时间信息。因此，关键的研究空白并不在于缺乏方法，而在于缺乏一个轻量级、抗噪声且能联合捕捉短期尖峰、过渡动态和长期周期模式的统一多尺度模型[[20], [21], [22]]。

为弥补这一空白，本研究开发了一个基于CEEMDAN的混合预测框架，将时间卷积网络（TCN）与ABiLSTM或Transformer-GRU相结合。CEEMDAN自适应地将负荷序列分解为多尺度分量，而混合网络则捕捉短期、中期和长期依赖关系。主要贡献总结如下。

首先，开发了一个基于CEEMDAN的多尺度框架，将负荷序列分解为IMF分量并建模异质频率模式。其次，引入了共享IMF级预测器以减少模型复杂度并提高预测一致性。第三，Seq2Seq融合模块整合IMF级预测并捕捉跨频率交互作用。第四，评估了两种混合架构CEEMDAN-TCN-ABiLSTM和CEEMDAN-TCN-Transformer-GRU，用于日、周和月级预测。

章节摘要

方法

本节描述了使用深度学习模型处理负荷数据的方法论。整体预测工作流程如图1所示。它包含三个主要阶段：数据预处理、CEEMDAN分解与特征提取、混合模型训练与多周期预测评估。

数据描述与评估指标

为客观评估上述预测模型的性能，采用四个独立的评估指标：平均绝对误差（MAE）、均方根误差（RMSE）、均方误差（MSE）和决定系数（R2）。这些评估指标的数学描述如下，见公式（13–16）：$$MAE=\frac{1}{N}\sum _{L=1}^N\left|\left(\widehat{y_R}?y_R\right)\right|$$$$RMSE=\sqrt{\frac{1}{N}\sum _{L=1}^N{\left(\widehat{y_R}?y_R\right)}^2}$$$$MSE=\frac{1}{N}\sum _{L=1}^N{\left(\widehat{y_R}?y_R\right)}^2$$$$R^2=1?\frac{R_{ss}}{T_{ss}}$$

为评估所提出的混合模型在不同时间尺度上的性能，

实验设置与结果

五个模型，包括消融模型和两种所提出的混合模型（CEEMDAN-TCN-ABiLSTM和CEEMDAN-TCN-Transformer-GRU），在相同设置下进行评估。使用MSE、RMSE、MAE和R2评估预测性能（图7）。为减少过拟合，训练过程中采用了Dropout、早停和基于验证集的模型选择。

表3、表4、表5总结了比较结果，表明所提出的混合模型 consistently 优于基线模型[31,

讨论

准确的电力负荷预测对于可靠的电网运行至关重要。在与Informer、PatchTST和TFT的日前预测比较中，所提出的模型取得了优越或具有竞争力的性能。这一改进可归因于混合框架的互补优势。CEEMDAN将原始负荷序列分解为多尺度分量，降低信号复杂度并抑制噪声。TCN模块通过膨胀因果

结论与未来工作

为解决多周期负荷预测挑战，本研究提出了两种基于CEEMDAN的混合模型：CEEMDAN-TCN-ABiLSTM和CEEMDAN-TCN-Transformer-GRU。实验结果表明，CEEMDAN-TCN-Transformer-GRU在日前和周前预测中表现最佳，而CEEMDAN-TCN-ABiLSTM在月前预测中表现更好，表明它们适用于不同的预测周期。

尽管取得了这些令人鼓舞的结果，但仍存在若干局限性。所提出的

资金来源

本研究未获得公共、商业或非营利部门资助机构的任何专门拨款。

CRediT作者贡献声明

张凯博：初稿撰写、验证、方法论、调查、形式化分析、数据整理、概念构思。黄智才：审阅与编辑、验证、方法论、形式化分析、概念构思。林家豪：审阅与编辑、调查、形式化分析。郑和平：监督、资源、调查、数据整理。朱顺志：审阅与编辑、监督、项目管理、方法论、调查、资金获取。

张凯博|黄智才|林家豪|郑和平|朱顺志