面向城市用电负荷预测的混合机器学习模型.pdf

第 22卷 第 9期2023年 9月Vol.22 No.9Sept.2023软 件 导 刊Software Guide面向城市用电负荷预测的混合机器学习模型胡乙丹，张俊芳（南京理工大学 自动化学院，江苏 南京 210018）摘要：城市用电负荷的精准预测对电力系统的运行和规划至关重要，可产生巨大的经济价值和社会效益。城市中长期用电需求预测不仅需要考虑长期经济趋势和季节周期因素，而且需要考虑诸多不确定性和非线性问题，而现有预测方法仅考虑了其中部分因素，因而无法实现精准预测。针对上述问题，提出一种面向城市用电负荷预测的混合机器学习（HML）模型。该模型首先对影响城市用电负荷的各因素进行特征选择，筛选出重要特征；其次利用指数平滑（ETS）捕捉用电负荷时间序列的季节分量和水平分量；然后利用长短期记忆（LSTM）网络发掘用电负荷时间序列的非线性趋势；最后利用集成学习实现各学习模块性能的有效聚合。实验选择中国两个城市的月度用电量作为标准数据集，实验结果表明，该HML模型在月度用电量预测精度方面优于其他同类模型。关键词：深度学习；指数平滑；长短期记忆；用电负荷预测；递归神经网络；时间序列预测DOI：10.11907/rjdk.222165开 放 科 学（资 源 服 务）标 识 码（OSID）：中图分类号：TP181 文献标识码：A文章编号：1672-7800（2023）009-0065-08Urban Electricity Load Forecasting Based on Hybrid Deep Learning ModelHU Yidan，ZHANG Junfang（School of Automation，Nanjing University of Science&Technology，Nanjing Jiangsu 210018，China）Abstract：The accurate forecasting of urban electricity load is extremely important to the operation and planning of power system，which can produce great economic value and social benefits.The medium-and long-term urban electricity demand forecasting needs to consider not only the long-term economic trend and seasonal cycle factors，but also many uncertainties and non-linear issues.However，the existing forecasting methods only consider part of these factors，making they can not achieve accurate forecasting.To fill this gap，this paper proposes a hybrid machine learning（HML）model for urban electricity load forecasting.Firstly，HML selects the important features that significantly affect the urban electricity load demands；Secondly，exponential smoothing（ETS）is employed to capture the seasonal and horizontal components of electricity load time series；Then，the long short term memory（LSTM）is used to discover the nonlinear trend of the time series of electricity load；Finally，ensemble learning is adopted to realize the effective aggregation of the performance of each learning module.In the experiments，the monthly electricity consumptions of two cities in China are adopted as the benchmark datasets.The results show that our HML model is superior to the latest existing models in terms of the forecasting accuracy of monthly electricity consumption.Key Words：deep learning；exponential smoothing；long and short term memory；electricity load forecast；recursive neural networks；time series forecasting0 引言智能电网的理想场景是供应给目标区域的电量等于客户的消费量，不仅能对电力资源进行合理分配从而产生巨大的经济效益，而且能抵御引起大规模停电的诸多不确定因素，例如自然灾害、季节性高峰、恐怖袭击、城市动乱、战争等，因而也具有很高的社会价值1。城市用电负荷的精准预测是实现智能电网的前提条件，其中中长期用电负荷预测对电力系统的运行和规划非常重要2。城市中长期用电负荷预测是一个非线性时间序列趋势预测问题，与诸多因素有关，例如一个国家的整体经济发展速度、季节性气象周期因素、节假日规划以及各种不确定因素等。因此，如何准确刻画影响城市中长期用电负荷的诸多因素是实现精准预测的关键。现有城市中长期用电负荷预测方法主要分为两大类，收稿日期：2022-10-08作者简介：胡乙丹（1999-），女，南京理工大学自动化学院硕士研究生，研究方向为数据挖掘；张俊芳（1965-），女，硕士，南京理工大学自动化学院副教授，研究方向为电力系统。2023 年软 件 导 刊即经典的时间序列方法和新兴的机器学习（Machine Learning，ML）方法3。时间序列方法的代表模型有自回归积分移动平均（Autoregressive Integrated Moving Average，ARIMA）、指数平滑（Exponential Smoothing，ETS）和线性回归，其优势在于模型相对简单、稳健、高效，且能很好地处理季节性时间序列4。ML方法是当前的新兴技术，具备强大的非线性表征学习能力和复杂数据挖掘能力，现已得到了广泛应用5-7。在所有 ML 方法中，对于神经网络（Neural Network，NN）的探索与应用最为广泛，一些代表工作有：文献 8 结合历史需求和天气因素学习负荷需求的变化规律；文献9-14 利用 Kohonen NN、循环神经网络（Recurrent Neural Network，RNN）以及其它基于NN的变体实现准确的电力负荷预测。最近，随着深度学习（Deep Learning，DL）的快速发展，基于DL的城市用电负荷预测得到了广泛关注15。例如，节点之间的连接沿着时间序列形成一个有向图的RNN，能够利用其内部状态（记忆）来处理输入序列，从而表示时间动态行为。另外，最近研究表明，长短期记忆（Long Short-Term Memory，LSTM）网络预测结果优于大多数经典时间序列方法和 ML方法16，现已有诸多将 LSTM等DL方法应用于负荷预测的成功案例17-19。例如，文献20 提出一种新颖的卷积网络结合双向LSTM来实现短期负荷预测；文献 21 提出一种用于学习深度序列预测的残差循环高速网络；文献 22 提出N-BEATS模型，具有可解释性，且训练速度快，无需修改即可应用于广泛的目标领域；文献 23 提出的DeepAR模型基于对大量相关时间序列的自回归RNN训练，实现准确的概率预测；文献 24 提出将深度学习与状态空间模型相结合，可保留状态空间模型的所需属性，如数据效率和可解释性，同时具备从原始数据中学习复杂模式的能力。此外，为了提高预测性能，ML方法还与ETS等其它方法混合使用25-26。例如由文献 27 开发的模型是一种结合统计学和ML的混合方法，将ETS与LSTM相结合，使得LSTM模块具备了诸如扩张、残差连接和注意力机制等可提高其学习与泛化能力的机制28-30，实现了精确的负荷预测。但是，由于城市中长期用电需求不仅受长期经济趋势和季节循环因素的影响，而且存在诸多不确定性和非线性问题，因而文献 31 提出利用集成学习融合LSTM和ETS，使预测模型具备较好的综合性能。然而，影响城市用电负荷需求的因素众多，各因素对趋势特性、季节特性等方面的影响各不相同。例如历史用电负荷数据和经济状况可较好地反映趋势特性，气候和节假日等因素可很好地反映季节特性。因此，在开展城市用电负荷需求预测时，需要对各因素进行重要性分析，并对各方面特性进行针对性建模，才能准确刻画诸多因素，实现精准预测。但是，现有方法并未针对上述问题进行建模解决。为此，本文参照文献 31，通过引入特征选择筛选出影响城市用电负荷趋势特性和季节特性的重要特征，提出一种面向城市用电负荷预测的混合机器学习（Hybrid Machine Learning，HML）模型。该模型针对负荷的趋势和季节特性筛选出重要特征，利用ETS捕捉负荷时间序列的季节和趋势分量，然后利用LSTM和所筛选的特征对趋势和季节分量进行非线性预测，最后利用集成学习实现各学习模块性能的有效聚合。在实验中，本文选择中国两个城市的月度用电量作为标准数据集，通过特征选择筛选出节假日、天气、湿度、风力、降雨、气压、云量、最高温度、最低温度等 12个重要特征进行建模。实验结果表明，本文提出的HML模型在月度用电量预测精度方面优于现有最新的相关模型。本文主要贡献包括以下两点：（1）提出一种面向城市用电负荷预测的混合机器学习HML模型，该模型同时具有经典时间序列方法的稳健性和机器学习方法的强非线性学习能力两个优点，在城市月度用电量预测精度上优于现有的最新模型。（2）对所提出的HML模型进行了详细阐述和分析，并在真实数据集上进行了实证分析，证明了其有效性。1 预测模型本文所提出的 HML 模型是一个混合机器学习模型，可以有效结合特征选择、ETS、LSTM 和集成学习的优点。在特征选择中，不仅会筛选与用电负荷预测相关的特征，而且将分别针对趋势特性和季节周期特性进行针对性的特征选择；在ETS方法中，目的是为了将用电负荷时间序列拆解为趋势分量和季节分量，在后续预测建模中将单独针对单个分量进行预测；在LSTM模型中，将分别针对趋势特性和季节周期特性筛选的特征进行单独预测，可分别提升单个分量的预测精度；最后基于集成学习的多样性原则构造多个预测子模型，利用多个子模型的综合预测能力减少随机特性对预测结果的影响，提升模型预测的稳定性。下文详细阐述HML模型。1.1模型框架与功能本文所提出的预测模型结构如图1所示。HML模型由以下部分组成：（1）特征选择。输入与用电负荷相关的各种因素特征，通过特征选择方法筛选出与季节因素和趋势因素最相关的特征用于后续模型建模。（2）ETS。一种乘法季节性分解模型，其可从时间序列中提取两个分量趋势和季节分量。ETS加载一组时间序列（Y），分别计算每个序列的趋势和季节分量，并返回趋势分量集（L）和季节分量集（S）。（3）预处理。趋势和季节分量用于时间序列的去季节化和适应性规范化。预处理模块的输入包括时间序列 66第 9 期胡乙丹：面向城市用电负荷预测的混合机器学习模型集Y、趋势分量集L和季节分量集S。预处理后的数据被划分为输入和输出训练数据，并最终返回训练集。（4）LSTM。由4层组成的残差扩张LSTM具有的重复特性使其能够学习连续数据中的长期依赖关系。LSTM在训练集上进行交叉学习，其产生的全部时间序列预测将返回集合X。（5）后处理。对去季节化和归一化的时间序列预测进行重新季节化和重新归一化。后处理模块的输入包括预测集X、趋势分量集L和季节分量集S，输出则为包含每个时间序列预测的集合Y。（6）集成学习。对单个模型产生的预测进行平均，以进一步增强方法的鲁棒性，减轻模型和参数的不确定性。集成学习模块接收由单个模型生成的预测集Yrk（k和r与集合成员有关），对其进行聚合并返回所有时间序列的预测集 Yavg。集成学习结合了训练阶段、数据子集和模型 3个层面的单个预测，以减少与随机梯度下降的随机性、数据和参数的不确定性相关的方差。（7）随 机 梯 度 下 降（Stochastic Gradient Descent，SGD）。ETS和LSTM通过相同的整体优化程序SGD算法来更新参数，其首要目标是使预测误差最小化。1.2特征选择特征选择也称为特征子集选择或属性选择，是从输入的用电负荷众多特征中筛选出最相关的有效特征，降低数据集维度，去掉不相关特征和冗余特征，提高学习算法的性能，是本文 HML模型的关键步骤。本文输入众多相关特征，如节假日、天气、湿度、风力、降雨、气压、云量、最高温度、最低温度等，并采用相关性分析和冗余分析筛选出重要特征32，具体流程如图2所示。首先，计算每个输入特征x（i）与负荷时间序列y之间的皮尔逊相关系数（Pearson Correlation Coefficient，PCC），假设总共有N个时间序列，PCC计算公式如下：PCC=(t=1N(xt(i)-x(i)()yt-y)/(t=1N()xt()i-x()i2t=1N(yt-y)2)（1）如果x（i）的PCC大于设定的阈值2，则为强相关特征，直接保留输出；如果PCC小于设定的阈值1，则为不相关特征，将其抛弃；如果阈值1PCC阈值2，则为弱相关特征，进入冗余性分析。采用马尔可夫毯分析方法分析x（i）是否为冗余特征，如果 x（i）是冗余特征，则 x（i）应满足如下条件：x(i)MB(y)，MB(y)-x(i)，s.t.P(y|x(i)，)=P(y|)（2）其中，MB（y）代表y的一个马尔可夫毯，代表一个任意集合。对于冗余特征，则应该抛弃。1.3ETS时间序列拥有复杂的性质，可利用各种分解方法分解出其中的重要分量33。本文所提出的HML模型使用ETS作为预处理工具，从时间序列中提取趋势分量和季节分量，然后使用这些分量对原始时间序列进行规范化和去季节化处理，预处理后的时间序列由LSTM进行预测。季节性周期为12（适用于月度电力负荷数据）的ETS模型更新公式具体如下：lt=ytst+(1-)lt-1st+12=ytlt+(1-)st（3）,LS特征选择Yavg YKRY11 XY集成学习后处理ETS输出随机梯度下降预处理(LSTM)量预测季节分/趋势分量输入 Fig.1Structure of HML model图1HML模型结构非冗余特征弱相关特征(阈值1 PCC 阈值2)冗余特征输出不相关特征(PCC阈值2)()()()()(),(),().|,|=BBx iMyMyx is t P y x iPy是否是否满足()()()()()()()22111/()=NNNtttttttPCCx ix iyyx ix iyy Fig.2Process of feature selection图2特征选择流程 672023 年软 件 导 刊其中，yt是时间点t的时间序列值，lt、st分别是趋势分量和季节分量，0，1是平滑系数。趋势分量方程显示了经季节调整的观测值与时间点t-1趋势分量之间的加权平均值。季节分量方程将时间点t+12的季节分量表示为季节分量新估计值（yt/lt）和过去估计值（st）之间的加权平均值。通过SGD调整ETS模型参数、12个初始季节分量、每个时间序列的两个平滑系数以及LSTM权重，获得这些参数后，可以计算趋势分量和季节分量，参与后续负荷时间序列预处理的去季节化和归一化，以及最终负荷预测结果的计算。1.4预处理与后处理计算每个时间序列所有点的趋势分量和季节分量，然后在动态预处理期间将其用于去季节化和自适应归一化。这是预测过程中最关键的因素，决定了预测模型性能。在每个训练时段中，使用趋势分量和季节分量的更新值对时间序列进行预处理。这些更新值由公式（3）计算得出，其中ETS参数在每个训练轮次中由SGD逐渐进行微调。时间序列使用滚动窗口进行预处理，包括输入和输出窗口。两个窗口的长度均为12，等于季节周期和预测范围的长度。输入窗口in包含12个连续的时间序列元素，经过预处理后作为LSTM的输入（即输入向量xint）。对应的输出窗口out也包含 12 个连续元素，经过预处理后作为LSTM的输出（即输出向量xoutt）。通过将两个窗口内的时间序列片段除以输入窗口l*t中趋势分量的最后一个值，对其进行归一化，然后除以相关的季节分量，通过此操作获得接近 1 的正输入和输出值。最后，使用一个压缩函数log(.)限制异常值对预测的破坏性影响。预处理结果可表示如下：xt=log(ytlt*st)（4）其中，xt是第t个预处理的时间序列元素，l*t是输入窗口in中趋势分量的最后一个值，st是第t个季节分量。注意归一化是自适应和局部的，“归一化器”遵循系列值，即允许将输入和输出变量中序列（l*t和st）的当前特征包括进来。包含在连续输入和输出窗口中时间序列的预处理元素可由如下向量表示：第一对输入和输出窗口：xin1=x1 x2 x12，xout1=x13 x14 x24第二对输入和输出窗口：xin2=x2 x3 x13，xout2=x14 x15 x25第N对输入和输出窗口：xinN=xN xN+1 xN+11xoutN=xN+12 xN+13 xN+23这些表示输入和输出窗口中时间序列预处理元素的向 量 包 含 在 第i个 时 间 序 列 的 训 练 子 集 中：i=(xint，xoutt)：t=1，2，.，N。所有M个时间序列的训练子集被组合起来并形成训练集=1，2，.，M，用于LSTM的交叉学习。注意训练集的动态特性，由于公式（4）中的趋势和季节分量已更新，因此其在每个训练轮次中都会更新。LSTM对预处理的时间序列值xt进行操作。在后处理步骤中，LSTM生成的预测xt需按以下方式展开：yt=exp(xt)lt*st（5）注意，公式（5）中的趋势分量值l*t和季节分量st是已知的，这是通过xt计算yt所必需的，其由公式（1）根据负荷时间序列的历史值计算得到。1.5LSTMLSTM是一种特殊的RNN，能够学习序列数据中的长期相关性34。一个普通的 LSTM 块由一个能够随时间步更新而更新状态的存储单元和 3个称为门的非线性调节器组成，其能控制块内的信息流。一个典型的LSTM块如图3所示。在本文中，经过预处理后的LSTM输入并非标量，而是长度为12（即季节周期）的时间序列向量，其允许LSTM直接暴露于即时的历史序列。LSTM输出是一组长度为12的完整预测序列的向量。同时，在输入过程中，还将一起输入对应时间序列长度的特征，例如将对应时间序列的气温或节假日天数作为特征一起输入。确定x的输出模式后，根据公式（3）计算月需求的预测值。1.6集成学习集成学习是一种应用广泛的可提高单个弱学习器性能的方法。与单个学习器相比，集成学习方法以某种方式将多个学习算法结合起来产生一种共同的响应，以提高预测结果的准确性和稳定性。集成学习的关键问题是确保学习器的差异性35，对单学习器性能与差异性之间的正确权衡决定了集成学习的有效性。HML预测模块有以下 3种差异性来源：一是使用SGD的随机训练过程；二是类似于采样数据集，即使用随机抽取的训练集子集来训练每个学习器；三是使用不同的参数初始值训练基学习器。因此，相对应地，由LSTM模型生成的分量预测结果在以下3个级别上进行集成学习：（1）训练阶段级。对L个最近训练轮次产生的预测结ggcgc11ct11ht1ct1ht1httx1ft1it1gt1ot Fig.3LSTM network图3LSTM网络 68第 9 期胡乙丹：面向城市用电负荷预测的混合机器学习模型果进行平均。（2）数据子集级。对在训练集子集上学习的K个预测模型所产生的预测结果进行平均。（3）模型级。对数据子集级预测的R次独立运行所产生的预测结果进行平均。在第一层级别上进行平均计算具有平息噪声SGD优化过程的效果。SGD使用小批量的训练样本来估计实际梯度，梯度搜索计算所得的近似梯度在收敛曲线上表现为噪声。当算法在局部最小值附近收敛时，对最近训练轮次获得的预测结果进行平均，可以减少随机搜索的影响，形成更准确的预测。在第二层级别上，在训练集子集1，2，.，K上学习的K个 模 型 产 生 的 预 测 将 被 平 均。训 练 集=1，2，.，M是由包含第i个时间序列训练样本的子集i构成的。要创建训练子集，首先需将一组M个时间序列随机分成大小相似的K个子集：1，2，.，K。第K个子集包含所有时间序列的子集，但k中的子集除外，即k=ii k。在K个模型中，每一个模型都在其训练子集k上学习，并为k中包含的时间序列生成预测。然后，对K个模型池生成的预测结果进行平均。在最后一层级别上，简单地对K个模型R次独立运行中产生的每个时间序列的预测进行平均，每次运行中训练子集k都会被重建。注意学习器的差异性是决定集成学习性能35的一个关键属性，在本文提出的方法中有各种方式实现学习器的差异性，包括：数据不确定性：在小批量和训练集的不同子集上学习；参数不确定性：在每次运行中使用不同的模型参数初始值进行学习。在最后两个集成学习级别中，创建了K个训练子集。第k次运行中包含的第k个子集中的时间序列集合用Yrk表示，本例中模型生成的预测集合用Yrk表示。对于每个时间序列，R(K-1)预测取平均值。这两种集成学习级别的联合操作可表示为：y avg=1R(K-1)r=1Rk=1K-1y r，k（6）其中，K是模型池大小，R是运行次数，而y r，k表示第k次运行生成的预测y向量。2 实验结果与分析2.1基本设置（1）数据集。本文选择中国两个城市的月度用电量作为基准数据集，分别命名为D1、D2。这两个数据集还包括节假日、天气、湿度、风力、降雨、气压、云量、最高温度、最低温度等12个对应时间序列的特征。表1总结了数据集的统计信息，其中本文使用过去12个月的数据，即将从2021年112月的月度用电量作为测试集，其余数据作为训练集。（2）评价指标。对于用电负荷预测，主要关注估计值与实际值的接近程度，因此通常选择平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）和平均绝对误差（Mean Absolute Error，MAE）作 为 评 价 指 标。MAPE 和MAE 分别反映了预测误差率与绝对预测误差，由式（7）计算：MAE=1Ni=1N|(Ri-Ri)|MAPE=i=1N|Ri-RiRi|100%（7）其中，Ri代表第 i个月份的真实值，Ri表示第 i个月份的预测值，N代表预测的总共月数。（3）标准对比模型。本文将所提出的HML模型与7个相关的最新模型进行对比实验。这些对比模型具有不同特 点，分 为 两 种 类 型，包 括 5 个 ML 模 型（GRNN36、MLP37、XGBoost38、SVR39和LSTM40），以及2个混合模型（NBEATS41和APLF42）。表2简要介绍了这些模型，其中所有模型的超参数都是在验证集（部分训练集）上调参所得。2.2预测准确性比较2.2.1MAE比较结果图4展示了所提出的HML模型和两类对比模型在两个数据集上的MAE比较结果。观察图4可以得到：（1）总体上第3-6月的误差相对于第7-8月的误差要小；APLF的预测误差最大；MLP和XGBoost的波动很大，且Table 1Statistics of the dataset表1数据集统计数据命名D1D2时间范围01/01/201331/12/202101/01/201331/12/2021特征1212Table 2Descriptions of comparison models表2对比模型描述模型GRNNMLPXGBoostSVRLSTMNBEATSAPLF描述广义回归神经网络（General Regression Neural Network，GRNN）是径向基神经网络的一种变体，具有很强的非线性映射能力，学习速度快多层感知机（Multilayer Perceptron，MLP）是具有若干个隐藏层的前馈神经网络XGBoost是一个优化的分布式梯度增强库，具有高效、灵活和可移植的特性SVR是一种基于支持向量机的回归算法，通过寻找最优超平面来建立预测模型LSTM是RNN的一种变体，广泛用于学习和预测时间序列NBEATS是一个深度神经架构，使用一堆全连接层来学习时间序列的时间模式APLF是一种基于隐马尔科夫模型自适应在线学习的概率预测方法 692023 年软 件 导 刊准确率时而高，时而低。（2）在所有的对比模型中，HML表现最好，不仅取得了最低的 MAE，而且在大多数情况下取得了最稳定的预测结果。（3）HML 比其它基于 ML 的模型表现都好，验证了融入传统时间序列预测ETS和集成学习可提升单一ML方法的性能。2.2.2MAPE比较结果MAPE 在 D1 和 D2 上的比较结果分别记录在表 3、表4中。为了更好地理解这些结果，对其进行了一些统计分析。首先，12个月的平均MAPE被记录在倒数第四行；其次，每个模型在12个月中预测输/赢的比分在倒数第三行进行了总结，其中对某个月份预测精度比 HML高的预测结果追加以黑点“”标记；再次，采用Friedman检验来检查多个模型在多个数据集上的表现，F-rank值越小表示准确率越高，结果记录在倒数第二行；最后，采用Wilcoxon-signed检验HML是否比每个对比模型的MAPE明显更低，其中显著性差异水平小于0.05的结果被加粗显示，相关结果记录在最后一行。从表3、表4可得出以下结论：（1）在大多数情况下，HML取得了比其他模型更低的MAPE，在 D1、D2 上的平均 MAPE 分别为 0.92%1.42%、0.94%1.22%。在两数据集的比较实验中，HML均只输了12个案例，赢了 72个案例，证明 HML 比其他模型误差更低，且更稳定。（2）与其他所有模型相比，RD-ETS+LSTM在两个数据集上取得了最低的F-rank值，表明其在所有数据集上取得了最高的预测精度。（3）除1个案例外，其他的p值都小于0.05，表明HML在两个数据集上比其他模型的预测精度明显更高。注意，虽然只有一种情况的假设不被接受，但 HML仍然比其它对比模型的MAPE低得多。综上所述，MAE和MAPE的比较结果验证了本文所提出的HML模型在月度用电负荷预测的准确性和稳定性方面显著优于其他同类模型。3 结语本文提出一种面向城市用电负荷预测的混合机器学习（HML）模型。该模型首先对影响城市用电负荷的各因素进行特征选择，筛选出重要特征；其次利用指数平滑（ETS）捕捉用电负荷时间序列的季节分量和趋势分量；然后利用长短期记忆（LSTM）网络发掘用电负荷时间序列的 123456789 10 11 1204k8k12k16k20kMAED1123456789 10 11 1204k8k12k16k ETS-RD+LSTM APLF NBEATSMAED2RD-ETS+LSTMHML 123456789 10 11 1205k10k15k20k25kMAE D1123456789 10 11 1206k12k18k24k30k ETS-RD+LSTM XGBOOST SVR GRNN MLP LSTMD2MAERD-ETS+LSTMHML Fig.4MAE comparison results of HML and other methods图4HML与其他方法MAE比较结果Table 3Comparison results of MAPE on D1表3MAPE在D1上的比较结果月份月份123456789101112Mean-MAPELoss/WinF-rankp-valueLSTM1.00%14.93%1.69%7.07%6.67%0.29%5.54%0.76%13.34%13.36%6.27%2.43%6.11%5.27%11/14.333 30.003 4NBEATS3.08%6.15%4.76%9.64%5.37%4.22%2.14%2.69%4.47%4.66%7.06%0.40%4.55%2.42%10/24.166 70.002 4MLP12.69%10.67%6.41%5.48%5.93%1.39%14.69%16.66%3.48%7.50%2.51%12.07%8.29%4.97%12/05.250 00.000 2GRNN2.23%18.81%3.38%12.40%1.21%5.60%2.26%5.28%14.28%13.75%11.41%4.65%7.94%5.86%10/25.416 70.002 4SVR14.84%19.53%5.39%7.57%2.53%2.40%18.81%18.70%0.05%5.01%0.96%12.09%8.99%7.42%11/15.416 70.000 4XGBOOST8.40%0.11%32.80%0.01%19.42%6.45%2.89%0.91%0.01%3.30%0.00%0.21%6.21%10.1%6/63.416 70.101 8APLF28.46%2.30%24.04%15.21%13.71%14.55%19.04%3.06%2.13%4.88%5.96%4.25%11.47%9.05%12/060.000 2HML3.91%0.21%1.10%0.10%0.13%0.24%3.88%0.15%0.39%0.32%0.22%0.36%0.92%1.42%72/122-70第 9 期胡乙丹：面向城市用电负荷预测的混合机器学习模型非线性趋势；最后利用集成学习实现各学习模块性能的有效聚合。为了验证 HML模型的有效性，选择中国两个城市的月度用电量作为标准数据集，并与最新的5个机器学习（ML）模型和2个混合模型进行了对比分析。实验结果表明，HML模型在预测精度方面显著优于对比模型。在未来研究中，计划引入智能优化算法如差分进化来优化HML模型的特征选择，进一步提升模型性能。参考文献：1 LIU J，LI J W.Power load data generation based on deep convolution generating counter network J.Software Guide，2021，20（2）：54-58.刘 牮，李佳伟.基于深度卷积生成对抗网络的电力负荷数据生成J.软件导刊，2021，20（2）：54-58.2 XIE W H，YAO L，LI R X.Research on non-intrusive identification method of household load J.Software Guide，2022，21（3）：108-112.谢伟鸿，姚磊，李睿欣.一种家用负荷的非侵入式识别方法研究 J.软件导刊，2022，21（3）：108-112.3 MENG X，SHAO J F.Review of power load forecasting methods based on deep learning J.Television Technology，2022，46（1）：44-51.孟醒，邵剑飞.基于深度学习的电力负荷预测方法综述 J.电视技术，2022，46（1）：44-51.4 DENG Q C.Optimal weight distribution fusion prediction model for urban monthly traffic volume J.Traffic World，2022（22）：9-12.邓奇春.城市月度交通量的优化权值分配融合预测模型 J.交通世界，2022（22）：9-12.5 QIN M.Research on short-term load forecasting based on machine learning combination modelD.Enshi：Hubei University for Nationalities，2022.秦勉.基于机器学习组合模型的短期负荷预测研究 D.恩施：湖北民族大学，2022.6 XIAN Y M.Research on medium and long-term and short-term power load forecasting methods based on machine learningD.Tianjin：Hebei University of Technology，2020.羡一鸣.基于机器学习的中长期和短期电力负荷预测方法研究 D.天津：河北工业大学，2020.7 DUDEK G，PELKA P.Pattern similarity-based machine learning methods for mid-term load forecasting：a comparative study J.Applied Soft Computing，2021，104：107223.8 CAO X B，LI J，YANG X，et al.Combined forecasting method for short-term cooling，heating and power loads based on weather information correction J.Journal of Yanshan University，2022，46（3）：230-238.曹晓波，李津，杨鑫，等.基于天气信息修正的短期冷热电负荷联合预测方法 J.燕山大学学报，2022，46（3）：230-238.9 FIDALGO J N，PROGAN L R.Load profiles identification based on autoencoders and Kohonen maps C/2015 18th International Conference on Intelligent System Application to Power Systems，2015：1-6.10 HANMANDLU M，CHAUHAN B K.Load forecasting using hybrid models J.IEEE Transactions on Power Systems，2011，26（1）：20-29.11 AISYAH S，SIMAREMARE A A，ADYTIA D，et al.Exploratory weather data analysis for electricity load forecasting using SVM and GRNN，case study in Bali，Indonesia J.Energies，2022，15（10）：3566.12 LIN W，ZHANG B，LI H，et al.Short-term load forecasting based on EEMD-Adaboost-BPJ.Systems Science&Control Engineering，2022，10（1）：846-853.13 LI C.A fuzzy theory-based machine learning method f