基于經驗模態分解-粒子群優化-長短期記憶的車間電力能耗預測方法

孫寧可,王 艷,紀志成

(江南大學 物聯網技術應用教育部工程研究中心,江蘇 無錫 214122)

隨著“智能制造”、“邊緣計算”和“大數據”等創新理念的提出,如何運用采集的實時數據和智能化算法來改善生產過程是當前的一種發展趨勢[1]。電力能耗數據相較于其他具有設備特有性的運行數據來說有更好的普適性,而且隨著工業的進一步發展,節能減耗也是一個重要的著力點[2]。在工業生產過程中,電力能耗數據具有很重要的意義,對生產設備能耗進行預測和對比分析有助于檢測設備工作異常狀態、提前預知生產風險。車間的能耗預測是新型能源管理系統的重要模塊,實時、精準的能耗預測能夠幫助分析未來能源消耗趨勢,進而合理分配能源,減少不必要的能源浪費,有助于降低車間生產的能源成本[3]。

電力能耗預測屬于時間序列預測問題,其主要預測方法包括傳統預測方法和神經網絡方法[4]。傳統預測方法有指數平滑法、時間序列法和回歸預測法等,受到方法限制,預測精度已經不能滿足要求[5]。神經網絡方法有人工神經網絡、支持向量機、反向傳播(Back propagation,BP)神經網絡、長短期記憶(Longshort-term memory,LSTM)網絡等,預測精度更高[6]。

文獻[7]提出了將支持向量回歸和基于局部加權回歸的周期趨勢分解結合起來的短期電力能耗預測方法,將數據分解后,再利用支持向量回歸方法進行預測,相較于隨機森林回歸和只采用支持向量回歸方法,預測精度更高,但是支持向量回歸方法中的懲罰因子參數和核函數參數仍按經驗選取,無法充分發揮該方法的預測能力。文獻[8]提出了一種組合預測方法,結合了經驗模態分解(Empirical mode decomposition,EMD)算法和LSTM網絡,利用EMD進行序列分解,然后利用LSTM網絡進行預測,與單一的LSTM網絡相比,預測精度較高,但是LSTM網絡中的訓練迭代次數和神經元個數等參數也需按經驗選取,未能考慮到對LSTM網絡的內部參數進行尋優。文獻[9]提出了一種組合電力能耗預測方法,結合了LSTM網絡和卷積神經網絡,使用卷積神經網絡進行特征提取,然后經卷積層和池化層處理后作為LSTM網絡的輸入,得到了較高的預測準確率,但是并沒有考慮到對電力能耗數據進行分解后再進行預測,也沒有考慮到對神經網絡的內部參數進行尋優。文獻[10]將BP神經網絡與EMD分解相結合,提出了一種磁懸浮冷水機組的能耗預測方法,經過分解、預測和重構后,能夠較為準確地預測冷水機組能耗,雖然通過設置不同的隱含層層數和神經元數目來對比分析預測效果,但是對比不夠充分,不能確定是否得到最優參數。

綜上所述,為了能夠提高電力能耗預測的準確性并充分發揮LSTM網絡的預測性能,本文采用EMD算法將電力能耗序列分解為多個本征模函數(Intrinsic mode function,IMF)分量和趨勢分量,然后采用LSTM網絡來對每個分量進行獨立預測,將每個分量的預測結果進行疊加得到最后的電力能耗預測結果,同時,考慮到LSTM網絡的內部參數通常是按照經驗設置,不能實現最佳的預測效果,因此利用粒子群算法來確定LSTM網絡中神經元個數和訓練迭代次數的參數設置,最優化LSTM網絡的預測性能。最后,將所提算法應用于江蘇某藥企中藥制造車間的實測車間電力能耗數據集來進行驗證。

1 方法及原理

1.1 經驗模態分解

EMD算法是一種信號處理方法,主要應用于時間序列[11]。與小波分析不同[12],對于一段未知信號,EMD無須預先設定任何基函數,具有很好的普適性。EMD分解算法可將樣本分為有限個數據分量,每個分量代表原數據樣本的一部分特征,將每個分量疊加后,理論上就會還原原始數據樣本的全部特征[13]。其分解流程如圖1所示,具體步驟如下。

圖1 EMD分解計算流程

(1)采用三次樣條法將原始信號x(t)的極大、極小值連成包絡線;

(2)求其均值,得到均值包絡線m1(t);

(3)求原始信號x(t)與均值包絡線m1(t)的差,得到h1(t)

h1(t)=x(t)-m1(t)

(1)

(4)如果h1(t)不符合IMF條件。令h1(t)為x(t),回到第一步,進行第二次選取,如式(2)所示

h2(t)=h1(t)-m2(t)

(2)

式中：m2(t)為h1(t)的均值包絡線。重復進行k次,得到hk(t)

hk(t)=hk-1(t)-mk(t)

(3)

若hk(t)符合IMF條件,則hk(t)就是第一個IMF分量c1(t)

c1(t)=hk(t)

(4)

(5)x(t)與第一個IMF分量c1(t)做差,得到余項r1(t)

r1(t)=x(t)-c1(t)

(5)

(6)循環執行n次得到余量r2(t),r3(t),…,rn(t),然后判斷余量rn(t)的單調性,如果是單調函數,或者是常函數,滿足二者之一就說明分解完成。得到若干個IMF分量ck(t)和一個趨勢項rn(t)

(6)

車間電力能耗數據采用EMD算法進行分解后,能夠得到若干個不同的分量,頻率從高到低,其中各自包含了原始數據的部分特征,相較于原始數據具有更強的規律性。然后再利用LSTM網絡進行處理和預測就能夠得到每個數據分量的預測結果,各個分量的預測結果疊加后便可以得到對原始能耗數據的預測結果,這種分解、預測再重組的方式有助于充分提取數據特征、提高預測準確度。

1.2 長短期記憶網絡

圖2 LSTM網絡隱含層內部記憶單元結構

圖3 LSTM網絡信息傳遞過程

具體實現過程如下：

計算遺忘門的輸出值ft

ft=σ(Whfht-1+Wxfxt+bf)

(7)

式中：Whf、Wxf為遺忘門的權重矩陣;bf為遺忘門的偏置向量[16]。

計算輸入門的值it

it=σ(Whiht-1+Wxixt+bi)

(8)

式中：Whi、Wxi為輸入門的權重矩陣;bi為輸入門的偏置向量。

計算記憶單元的輸入狀態

(9)

式中：Whc、Wxc為細胞狀態的權重矩陣;bc為細胞狀態的偏置向量。

更新細胞狀態

(10)

計算輸出門的值ot

ot=σ(Whoht-1+Wxoxt+bo)

(11)

式中：Who、Wxo為輸入門的權重矩陣;bo為輸入門的偏置向量。

計算t時刻的隱藏層輸出

ht=ot°tanh(ct)

(12)

三個門結構的相互配合使得LSTM網絡具有了一定時期內的記憶能力,并且可以遺忘和刪除部分信息,能夠更好地處理時間序列數據,因此采用LSTM網絡來對電力能耗數據進行預測相較RNN具有更高的準確度和穩定性。

1.3 粒子群優化算法

粒子群優化(Particle swarm optimization,PSO)算法基于進化計算技術[17],其基本思想是：通過種群內各粒子之間的協同工作和信息共享來尋找最優解。在實際編程應用中,PSO借助一群只有速度和位置兩個屬性的個體來幫助計算,種群中粒子的速度和位置更新公式如式(13)所示

(13)

粒子最優位置更新如式(14)所示

(14)

種群最優位置更新如式(15)所示

(15)

本文主要使用PSO來對長短期記憶網絡的參數進行尋優,主要參數有兩個：神經元個數和訓練迭代次數。具體尋優流程如圖4所示,其中適應度函數選取為LSTM網絡訓練后的均方根誤差,通過粒子群算法的不斷迭代尋優,找到能夠使LSTM網絡訓練后的損失函數最小的上述兩個參數值。

圖4 PSO尋優流程圖

2 EMD-PSO-LSTM預測模型

2.1 預測模型作用流程

EMD-PSO-LSTM預測模型的作用流程如圖5所示,具體步驟如下：

圖5 EMD-PSO-LSTM模型預測流程圖

(1)對原始車間電力能耗數據進行EMD分解,得到具有各自特征的IMF分量和趨勢分量;

(2)對分解得到的各個IMF分量和趨勢分量進行數據歸一化,并劃分為訓練集與預測集;

(3)分別以各個IMF分量和趨勢分量的訓練集數據為輸入進行各個LSTM網絡訓練,同時采用粒子群算法對各個LSTM網絡的神經元個數和訓練迭代次數進行尋優,找到各個LSTM網絡的最優參數組合;

(4)應用按照最優參數設置并訓練完成的LSTM網絡分別對各個分量進行預測,得到各個分量預測結果;

(5)預測結束后,對各個分量的預測結果進行反歸一化,并將預測結果進行疊加,最終獲得對原始車間電力能耗數據的預測結果。

2.2 電力能耗數據EMD分解結果

電力能耗EMD結果如圖6所示,圖6(a)、圖6(b)和圖6(c)是分解出的IMF分量,圖6(d)是電力能耗序列的趨勢分量,其中都包含了電力能耗數據的部分特征。EMD分解將原始電力能耗序列的特征分別提取了出來,分解得到的信號具有更明顯的周期變化性,更適合采用LSTM網絡進行預測。

圖6 EMD分解結果

2.3 粒子群算法尋優效果

以分量IMF2為例,分別采用按照經驗選取參數的LSTM網絡和PSO算法參數尋優的LSTM網絡進行預測,預測結果如圖7所示。PSO算法迭代過程如圖8所示,可以看出當迭代次數大于33時,LSTM網絡訓練后的均方根誤差即適應度函數趨于穩定,此時,神經元個數取256,訓練迭代次數取198。

圖7 IMF2預測效果對比圖

圖8 粒子群優化迭代過程

從圖7可以看出,PSO-LSTM方法預測準確度要高于單一的LSTM預測,為求對預測結果進行定量分析,選取均方根誤差(RMSE)和平均絕對百分比誤差(MAPE)作為量化依據,結果如表1所示。

表1 IMF2預測結果對比表

(16)

(17)

式中：yi為實際能耗數據,xi為預測值。

根據表1所示,PSO-LSTM相較于單一的LSTM網絡而言,預測結果的兩個誤差都更小,因此,預測準確度更高,預測穩定性也較好。

3 試驗結果與分析

在本試驗中,采用江蘇某藥企中藥制造車間的電力能耗數據驗證本文算法。所用的車間電力能耗數據如圖9所示,選擇2021年7月2日至2021年7月6日的數據作為訓練數據,2021年7月7日的數據作為測試數據,數據時間間隔均為1 h。

圖9 車間電力能耗數據

分別使用RNN模型、LSTM模型、PSO-LSTM模型、EMD-LSTM模型和EMD-PSO-LSTM模型進行預測,預測結果如表2所示。

表2 各模型預測結果對比表

各模型預測結果如圖10所示,圖10(a)～(e)分別是RNN模型、LSTM模型、PSO-LSTM模型、EMD-LSTM模型和EMD-PSO-LSTM模型的預測結果與實際電力能耗測試數據的對比圖。圖10(f)則是所有模型預測結果的對比圖。各模型預測準確度從高到低依次是：EMD-PSO-LSTM模型、EMD-LSTM模型、PSO-LSTM模型、LSTM模型和RNN模型。

圖10 各模型預測結果及對比

結合表2與圖10的各項數據可以清晰看出：相較于RNN模型,LSTM模型對電力能耗數據的預測準確度更高,說明LSTM網絡能夠更好地處理電力能耗數據;而相較于單一的LSTM模型,EMD-LSTM模型和PSO-LSTM模型的預測準確度又有明顯的提升,分別體現了數據分解和網絡內部參數尋優在提高預測精度方面的作用;EMD-PSO-LSTM模型通過使用PSO算法對各分量的LSTM模型進行參數尋優,預測準確度相較EMD-LSTM模型和PSO-LSTM模型又有明顯的提升。

4 結束語

本文通過引入EMD算法和PSO算法,把時間序列的電力能耗數據分解為各個IMF分量和趨勢分量,并將更好地反映了原始能耗數據不同特征和變化趨勢的各分量輸入LSTM網絡進行預測,然后整合預測結果。同時對分別用于預測各分量的各個LSTM網絡進行粒子群算法參數尋優,相較于按照經驗選取LSTM網絡參數的EMD-LSTM模型,準確度有明顯提高。試驗結果表明,本文提出的EMD-PSO-LSTM電力能耗預測模型能夠準確預測未來24 h內的電力能耗,預測精度較高,能夠提供較為準確的電力能耗預測數據。