閆曉霞 劉嫻

摘?要：為了更精準(zhǔn)地預(yù)測(cè)未來(lái)能源結(jié)構(gòu)調(diào)整方向及成效，選用ISSA-LSTM組合預(yù)測(cè)模型對(duì)中國(guó)2023—2030年可再生能源的電力需求進(jìn)行預(yù)測(cè)。首先，利用Circle混沌映射改進(jìn)麻雀搜索算法（SSA）以提高搜索能力以及種群多樣性；然后引入長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）以有效捕捉可再生能源電力需求隨機(jī)波動(dòng)性和時(shí)序性；最后，通過(guò)ISSA-LSTM模型預(yù)測(cè)長(zhǎng)期可再生能源的電力需求，驗(yàn)證測(cè)試集數(shù)據(jù)，并與其他傳統(tǒng)模型進(jìn)行對(duì)比。結(jié)果表明：ISSA-LSTM模型預(yù)測(cè)結(jié)果能夠滿足對(duì)可再生能源電力需求預(yù)測(cè)的精度要求；在未來(lái)2023—2030年可再生能源電力需求穩(wěn)定，波動(dòng)幅度不大，可達(dá)到全國(guó)用電量的1/3；利用Circle混沌映射改進(jìn)策略能有效提升SSA尋優(yōu)能力。與PSO算法相比，SSA算法尋找LSTM超參數(shù)最優(yōu)解的能力更優(yōu)，ISSA-LSTM模型預(yù)測(cè)可再生能源電力需求精度更高。

關(guān)鍵詞：混合預(yù)測(cè)模型；麻雀搜索算法；長(zhǎng)短期記憶網(wǎng)絡(luò)；Circle混沌映射；電力需求預(yù)測(cè)

中圖分類號(hào)：TP311

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1672-9315（2024）03-0604-11

DOI：10.13800/j.cnki.xakjdxxb.2024.0320開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Renewable energy electricity demand prediction

based on ISSA-LSTM model

YAN Xiaoxia，LIU Xian

（College of Management，Xian University of Science and Technology，Xian 710054，China）

Abstract：

More accurate prediction of renewable energy electricity demand is an important indicator for predicting the direction and effectiveness of future energy structure adjustments.The ISSA-LSTM combined forecasting model was used to predict the electricity demand for renewable energy in China from 2023 to 2030.Firstly，the Sparrow Search Algorithm（SSA）was improved using Circle Chaos Mapping to enhance search capability and population diversity.Then the long Short Term Memory Neural Network（LSTM）was introduced to effectively capture the random fluctuations and temporal characteristics of renewable energy electricity demand.Finally，the ISSA-LSTM model was used to predict long-term renewable energy electricity demand，to validate the test set data，and to compare it with other traditional models.The results show that the ISSA-LSTM model can meet the accuracy requirements for predicting renewable energy electricity demand；In the future from 2023 to 2030，the demand for renewable energy electricity will remain stable and not fluctuate significantly，reaching one-third of the national electricity consumption；The use of Circle chaotic mapping to improve the strategy can effectively enhance the optimization ability of SSA.Compared with PSO algorithm，SSA algorithm has better ability to find the optimal solution of LSTM hyperparameters，and the ISSA-LSTM model has higher accuracy in predicting renewable energy electricity demand.Key words：Mixed forecasting model；Sparrow search algorithm；Long short-term memory；Circle chaotic mapping；electricity Power demand forecasting

0?引?言電力行業(yè)碳中和是實(shí)現(xiàn)“雙碳”目標(biāo)的關(guān)鍵，對(duì)以火力發(fā)電為主的電力行業(yè)來(lái)說(shuō)，加大發(fā)展風(fēng)電、光伏等可再生能源的發(fā)電規(guī)模，減少傳統(tǒng)火力發(fā)電的規(guī)模無(wú)疑是電力行業(yè)減排的有效途徑之一。而“過(guò)度補(bǔ)貼”“三棄”等問(wèn)題始終阻礙著可再生能源電力的發(fā)展，合理地制定生產(chǎn)計(jì)劃對(duì)可再生能源電力系統(tǒng)的有序運(yùn)行是十分必要的。電力行業(yè)常用于電力需求預(yù)測(cè)、電力負(fù)荷預(yù)測(cè)以及發(fā)電功率預(yù)測(cè)等方面的研究方法大致有：回歸分析模型[1-2］、時(shí)間序列模型[3-4］、灰色預(yù)測(cè)模型[5-6］，和人工智能模型支持向量機(jī)[7-11]以及神經(jīng)網(wǎng)絡(luò)[12-13］等。在電力需求預(yù)測(cè)方面，有國(guó)外學(xué)者結(jié)合澳大利亞的案例，使用自適應(yīng)傅立葉分解方法從原始電力需求序列中提取有用分量的方法得到MFO-LSSVM模型并驗(yàn)證了其有效性和可行性［11］；

NGUYEN等提出了RNN-LSTM電力需求預(yù)測(cè)模型，并通過(guò)實(shí)際數(shù)據(jù)測(cè)試將其與其他模型進(jìn)行了比較，得出RNN-LSTM預(yù)測(cè)模型具有更高的精度[14]；

MORADZADEH

用變分自動(dòng)編碼器的雙向長(zhǎng)短期記憶（VAEBiLSTM），輸入2017年和2018年的相關(guān)數(shù)據(jù)作為訓(xùn)練集，分別預(yù)測(cè)2019年Tabrizi這4季的用電需求，VAEBiLSTM方法具有較小的誤差和較高的有效性［15］。國(guó)內(nèi)學(xué)者汪克亮等考慮到電力需求具有增長(zhǎng)性及季節(jié)波動(dòng)性對(duì)電力需求預(yù)測(cè)的影響，提出非線性回歸組合神經(jīng)網(wǎng)絡(luò)模型，通過(guò)仿真試驗(yàn)得到此模型預(yù)測(cè)電力需求具有可行性和有效性，也可用于季節(jié)型時(shí)間序列的預(yù)測(cè)建模問(wèn)題[16]；陳章潮等改進(jìn)灰色GM（1，1）模型來(lái)對(duì)長(zhǎng)期電力需求進(jìn)行預(yù)測(cè)，提出分段最優(yōu)GM（1，1）模型并結(jié)合傳統(tǒng)的相關(guān)分析，得到其模型對(duì)長(zhǎng)期電力需求預(yù)測(cè)具有可行性[17]；張運(yùn)厚等以北京市為例，選取了影響電力需求的8個(gè)指標(biāo)，建立電力需求預(yù)測(cè)混合模型，利用DE和GWO算法優(yōu)化SVR的參數(shù)，用歷史數(shù)據(jù)做實(shí)證分析得到DE-GWO-SVR組合模型的有效性和準(zhǔn)確性更高，并預(yù)測(cè)了2021—2015年的北京市用電需求[18]；夏雨?duì)q等用Tent混沌映射優(yōu)化標(biāo)準(zhǔn)麻雀搜索算法SSA與用正切函數(shù)改變ESN儲(chǔ)蓄池內(nèi)部連接狀態(tài)的非線性回聲狀態(tài)網(wǎng)格結(jié)合得到ISSA-NESN模型，相較于其他模型用于預(yù)測(cè)可再生能源電力需求的能力更優(yōu)[19]；田書(shū)欣等引入融合分段二次Lagrange插值函數(shù)的新型灰色關(guān)聯(lián)理論，利用改進(jìn)的鴿群優(yōu)化算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化，使得電力需求模型泛化能力更強(qiáng)[20]；王旭東等提出基于長(zhǎng)短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)（LSTM）的單變量短期家庭電力需求模型，且經(jīng)過(guò)仿真試驗(yàn)得到其能準(zhǔn)確反映家庭每小時(shí)的電力需求[21]。在電力負(fù)荷預(yù)測(cè)方面，為預(yù)測(cè)短期電力負(fù)荷，有國(guó)外學(xué)者采用改進(jìn)的稀疏搜索算法（ISSA）解決了SVM模型的超參數(shù)選擇問(wèn)題，發(fā)現(xiàn)ISSA-SVM模型可以有效地提高預(yù)測(cè)精度［22］。國(guó)內(nèi)學(xué)者劉亞輝等為減少?gòu)?fù)雜環(huán)境因素對(duì)超短期電力負(fù)荷預(yù)測(cè)效果的影響，將數(shù)據(jù)先經(jīng)CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)處理，再將其輸入到LSTM中進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)現(xiàn)有模型預(yù)測(cè)精度和運(yùn)算效率更高[23]；呂海燦等提出Wide&Deep-LSTM模型，用以短期臺(tái)區(qū)負(fù)荷預(yù)測(cè)，發(fā)現(xiàn)該技術(shù)不依賴過(guò)多數(shù)據(jù)、綜合效果較好、精度高[24]。在電力行業(yè)的其他方面，國(guó)外學(xué)者為預(yù)測(cè)短期風(fēng)力發(fā)電量，使用麻雀搜索算法對(duì)變分模式分解（VMD）的參數(shù)進(jìn)行優(yōu)化，將其輸入到LSTM預(yù)測(cè)模型中，得到的組合預(yù)測(cè)模型SSA-VMD-LSTM，可以有效提高預(yù)測(cè)精度，降低風(fēng)電預(yù)測(cè)誤差［25］。國(guó)內(nèi)學(xué)者賈立敬等使用差分進(jìn)化算法優(yōu)化核函數(shù)g和懲罰因子c，得到最優(yōu)的支持向量機(jī)模型，用于變壓器的故障診斷［26］；王清亮等同樣使用多個(gè)算法組合得到ICEEMDAN-LSTM-BNN模型，用于預(yù)測(cè)短期光伏發(fā)電功率概率［27］；徐恒山等對(duì)時(shí)間戳進(jìn)行特征提取的CatBoost和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM算法相結(jié)合的組合預(yù)測(cè)模型CatBoost-LSTM來(lái)預(yù)測(cè)短期光伏發(fā)電功率［28］。除電力行業(yè)外，多種算法結(jié)合的組合預(yù)測(cè)模型廣泛使用于各個(gè)行業(yè)［29-33］。呂靖燁等針對(duì)碳排放交易價(jià)格的特征，提出ARIMA-SVM融合模型用于預(yù)測(cè)碳排放交易價(jià)格［29］；王媛彬等用主成分分析法（PCA）對(duì)影響因素降維處理，再通過(guò)貝葉斯算法優(yōu)化XGBoost中的超參數(shù)，得到PCA-BO-XGBoost組合模型來(lái)預(yù)測(cè)礦井回采工作面瓦斯涌出量［30］。使用多種算法相結(jié)合的組合預(yù)測(cè)模型眾多，且經(jīng)過(guò)仿真試驗(yàn)，大多數(shù)組合模型較單一算法而言，尋優(yōu)能力更強(qiáng)、運(yùn)算速度更快、精準(zhǔn)度更高，但對(duì)算法的選擇則需要考慮到實(shí)際研究問(wèn)題的特性?？紤]到長(zhǎng)期可再生能源電力的需求隨時(shí)間變化的本質(zhì)特征，即隨機(jī)波動(dòng)性以及時(shí)序性，選擇長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）算法作為基礎(chǔ)，處理和預(yù)測(cè)時(shí)間序列中間隔和延遲較長(zhǎng)的問(wèn)題，利用Circle混沌映射來(lái)優(yōu)化麻雀搜索算法，使種群均勻分布，減緩陷入局部最優(yōu)的狀態(tài)，再將優(yōu)化后的麻雀搜索算法（ISSA）與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)相結(jié)合，所得的組合預(yù)測(cè)模型用來(lái)預(yù)測(cè)可再生能源電力的需求，降低了長(zhǎng)期可再生能源電力需求的預(yù)測(cè)誤差，提高了可再生能源電力需求的預(yù)測(cè)精準(zhǔn)度以及有效性。

1?麻雀搜索算法及其改進(jìn)

1.1?麻雀搜索算法薛建凱2020年提出麻雀搜索算法[34]，該算法中存在發(fā)現(xiàn)者和加入者2種角色，二者身份是動(dòng)態(tài)變化的。

n只麻雀組成的種群可表示為

X=

x1，1x1，2…x1，d

x2，1x2，2…x2，d

xn，1xn，2…xn，d

（1）

式中?X為麻雀種群；xn，d為麻雀?jìng)€(gè)體；d為優(yōu)化問(wèn)題變量的維度；n為麻雀的數(shù)量。

Fx=

f（[x1，1x1，2…x1，d]）

f（[x2，1x2，2…x2，d]）

f（[xn，1xn，2…xn，d]）

（2）

式中?F為適應(yīng)度函數(shù)，所有麻雀的適應(yīng)度值用f表示。

根據(jù)公式（1）和公式（2），發(fā)現(xiàn)者的位置更新描述如下

xt+1i，j

=

xti，j·exp

-iα*itermax

ifR2＜ST

xti，j+Q·LifR2≥ST

（3）

式中?t為當(dāng)前的迭代次數(shù)，j=1，2，3，…，d。

xti，j為第i個(gè)麻雀在第j維中的位置信息；

itermax是常數(shù)，表示最大迭代次數(shù)；

α∈（0，1］；R2和ST分別為預(yù)警值和安全值；Q是服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)；L為一個(gè)元素均為1的1*d矩陣。一旦加入者察覺(jué)發(fā)現(xiàn)者已經(jīng)找到更好的食物，加入者位置則更新如下

xt+1i，j=

Q·exp

xtworst-xti，j

i2

i＞n/2

xt+1p+|xti，j-xt+1P|·A+·Li≤n/2

（4）xP為目前發(fā)現(xiàn)者所占據(jù)的最優(yōu)位置；xworst則為全局最差位置；A為一個(gè)1*d的矩陣，其中每個(gè)元素隨機(jī)賦值為1或-1，A＋＝AT（AAT）-1。麻雀的初始位置是在種群中隨機(jī)產(chǎn)生的，其數(shù)學(xué)表達(dá)式為

xt+1i，j

=

xtbest+β·|xti，j-xtbest|fi≠fg

xtbest+k·

xti，j-xtbest

（fi-fw）+ε

fi=fg

（5）

式中?xbest為當(dāng)前全局最優(yōu)位置；β為步長(zhǎng)控制參數(shù)，服從均值為0、方差為1的正態(tài)分布的隨機(jī)數(shù)；ε是用以避免分母為0的最小常數(shù)；k∈［-1，1］；fi為當(dāng)前個(gè)體適應(yīng)度值；fg和fw分別為全局最佳和最差的適應(yīng)度值。

當(dāng)fg和fw相等時(shí)，該個(gè)體處于種群中心，將不斷接近中心同伴；當(dāng)fg和fw不相等時(shí)，該個(gè)體處于種群外圍，需采取反捕食行為，不斷變換中心位置以獲得更高適應(yīng)度。1.2?改進(jìn)麻雀搜索算法

1.2.1?基于Circle混沌映射初始化種群麻雀搜索算法具有收斂速度快，尋優(yōu)能力強(qiáng)的優(yōu)點(diǎn)，但麻雀搜索算法易陷入局部最優(yōu)的狀態(tài)，導(dǎo)致算法的求解性能降低，而初始化種群對(duì)算法的收斂性和準(zhǔn)確性具有重要影響。因此，可以引入Circle混沌映射提高麻雀搜索算法初始解的質(zhì)量。Circle混沌映射作為經(jīng)典的混沌映射方法之一，可以使麻雀初始種群均勻分布搜索空間。Circle混沌映射的計(jì)算見(jiàn)下式

Xi+1=mod

Xi+0.2-

0.52π

sin（2πXi），1

（6）

式中?Xi為第i個(gè)變量的混沌映射值；mod為取余函數(shù)。加入Circle混沌映射后可以增強(qiáng)SSA種群多樣性，提高SSA算法的全局求解能力。從圖1可以看出，加入Circle混沌映射能夠?qū)?SSA種群均勻分布，減緩SSA陷入局部最優(yōu)的可能性。

圖1?Circle混沌映射分布

Fig.1?Circle chaotic map distribution

1.2.2?非線性慣性權(quán)重原始的麻雀搜索算法中在尋找位置更新時(shí)，由于缺乏對(duì)步長(zhǎng)的有效控制，在尋找到最優(yōu)解后，其余麻雀?jìng)€(gè)體迅速向最優(yōu)解聚集，導(dǎo)致算法陷入局部最優(yōu)的狀態(tài)，降低算法的全局搜索能力。因此，提出一種非線性慣性權(quán)重因子

ω用于改進(jìn)生產(chǎn)者的位置更新。非線性慣性權(quán)重ω的計(jì)算見(jiàn)下式

ω=exp

1-tmax+t

tmax-t

（7）在麻雀算法迭代初期，非線性慣性權(quán)重ω較大，非線性變化速率快，算法的全局搜索能力增強(qiáng)。在麻雀算法迭代后期，非線性慣性權(quán)重ω較小，非線性變化速率慢，增強(qiáng)算法的局部搜索能力。

隨著非線性慣性權(quán)重ω的變化，麻雀搜索算法在迭代過(guò)程中改進(jìn)了全局

搜索和局部搜索的平衡。

經(jīng)過(guò)改進(jìn)后，麻雀搜索算法發(fā)現(xiàn)者的位置更新公式如下

xt+1i，j

=

xti，j×ω?if

R2＜ST

xti，j+Q?if?R2≥ST

（8）

2?LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)（LSTM）

是建立在循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的基礎(chǔ)上，為解決RNN梯度消失或梯度爆炸問(wèn)題而出現(xiàn)的改進(jìn)算法。LSTM的結(jié)構(gòu)分為：遺忘門(mén)、輸入門(mén)、輸出門(mén)，內(nèi)控可看作全連接層。遺忘門(mén)、輸入門(mén)、輸出門(mén)、網(wǎng)絡(luò)的權(quán)重矩陣、網(wǎng)絡(luò)的偏置向量分別用ft，it，ot，W，b表示。內(nèi)控實(shí)現(xiàn)LSTM對(duì)信息的儲(chǔ)存和更新，由Sigmoid函數(shù)和點(diǎn)乘運(yùn)算實(shí)現(xiàn)，不提供額外的信息。σ為Sigmoid函數(shù)，是機(jī)器學(xué)習(xí)中常用的非線性激活函數(shù)，可以將實(shí)值映射到區(qū)間0～1，表示信息通過(guò)的多少，0表示沒(méi)有信息通過(guò)，1表示信息全部通過(guò)。遺忘門(mén)的功能是決定丟棄或保留哪些信息，簡(jiǎn)言之就是保留重要信息，忘記不重要的信息，是LSTM單元的關(guān)鍵組成部分，其值為

ft=σ（Wf·[ht-1，xt]+bf）

（9）輸入門(mén)用于控制網(wǎng)絡(luò)當(dāng)前輸入信息ht-1，xt流入記憶單元Ct的多少，其值為

it=σ（Wi·[ht-1，xt]+bi）

（10）

t=tanh

（WC·[ht-1，xt]+bc）

（11）

Ct=ft·Ct-1+it·t

（12）

Ct

是記憶單元，LSTM需要記憶的新的值。

ot=σ（Wo·[ht-1，xt]+bo）

（13）

ht=ot·tanh（Ct）

（14）ht就是輸出結(jié)果，意味著本次需要多少為我所用的含義。

從圖2可以看出，LSTM的遺忘門(mén)忘掉沒(méi)用的信息，輸入門(mén)和候選信息產(chǎn)生新的記憶信息，輸出門(mén)負(fù)責(zé)更新記憶，每個(gè)功能模塊組合起來(lái)就構(gòu)成了完整的LSTM模型。

3?ISSA-LSTM模型預(yù)測(cè)模型如圖3所示，模型結(jié)構(gòu)自下而上分為輸入層、全連接層1（特征融合）、LSTM層、全連接層2（輸出維度變換）和輸出層共5個(gè)部分。進(jìn)行預(yù)測(cè)時(shí)，首先定義數(shù)據(jù)集為模型的輸入數(shù)據(jù)，數(shù)據(jù)集

X的大小為Rn×d（R表示實(shí)數(shù)），含義為d維特征向量的n個(gè)時(shí)間序列。

圖3中{X1，X2，…，Xn}為歷史時(shí)間步數(shù)m的時(shí)間序列，在輸入層中，計(jì)算并輸入相同時(shí)間步數(shù)的時(shí)間序列，輸入向量大小為Rm×d。

在全連接層1，首先對(duì)輸入層中輸入的特征向量進(jìn)行計(jì)算，使LSTM網(wǎng)絡(luò)能夠更好地融合其他特征，利用激活函數(shù)輸出向量S1；然后將全連接層1的輸出向量S1輸入至LSTM層的單元結(jié)構(gòu)中；最后通過(guò)一個(gè)全連接層2將輸出維度轉(zhuǎn)換為需要提前預(yù)測(cè)的時(shí)間步數(shù)（k），并將目標(biāo)預(yù)測(cè)序列m個(gè)時(shí)刻后的k個(gè)時(shí)刻的預(yù)測(cè)結(jié)果輸出，輸出結(jié)果為k維向量。根據(jù)以上模型結(jié)構(gòu)，對(duì)于未來(lái)可再生能源的需求量的預(yù)測(cè)問(wèn)題，可以結(jié)合其多關(guān)聯(lián)因素和歷史m個(gè)時(shí)間點(diǎn)的數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)k個(gè)時(shí)間點(diǎn)的數(shù)據(jù)。

結(jié)合改進(jìn)過(guò)的麻雀搜索算法（ISSA）與長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM），建立組合預(yù)測(cè)模型為ISSA-LSTM。

具體的模型改進(jìn)邏輯如下：首先利用Circle混沌映射對(duì)麻雀種群進(jìn)行初始化；其次引入非線性慣性權(quán)重更新麻雀搜索算法的發(fā)現(xiàn)者位置，提高麻雀搜索算法的種群多樣性；最后用ISSA算法對(duì)LSTM的隱藏層神經(jīng)元數(shù)量、初始學(xué)習(xí)率、L2正則化系數(shù)進(jìn)行優(yōu)化，ISSA-LSTM算法流程如圖4所示。ISSA-LSTM的具體步驟如下。

1）輸入數(shù)據(jù)。預(yù)處理數(shù)據(jù)集合減少數(shù)據(jù)不同量綱的影響，將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，其中將2000—2015年的數(shù)據(jù)作為訓(xùn)練集，2016—2022年的數(shù)據(jù)作為測(cè)試集。

2）建立LSTM網(wǎng)絡(luò)。設(shè)置LSTM網(wǎng)格結(jié)構(gòu)層數(shù)及其內(nèi)部的激活函數(shù)，并引入L2正則化系數(shù)防止模型過(guò)擬合。3）設(shè)置ISSA算法參數(shù)。設(shè)置ISSA算法的種群數(shù)量pop、種群最大進(jìn)化次數(shù)T、算法空間維數(shù)dim、麻雀種群中發(fā)現(xiàn)者以及預(yù)警者數(shù)量。

4）引入Circle混沌映射初始化種群。將均方誤差（MSE）作為種群適應(yīng)度函數(shù)進(jìn)行計(jì)算，利用非線性慣性權(quán)重ω對(duì)麻雀種群位置進(jìn)行更新。

5）判斷ISSA算法是否達(dá)到最大迭代次數(shù)。若達(dá)到，將ISSA算法優(yōu)化的最優(yōu)解作為L(zhǎng)STM網(wǎng)絡(luò)的超參數(shù)，否則重復(fù)算法迭代過(guò)程。

6）輸出ISSA-LSTM模型的預(yù)測(cè)結(jié)果。

4?算例分析

4.1?影響因素分析研究可再生能源電力需求所受到的影響因素之前，需要明確的是可再生能源電力需求是用可再生能源電力的實(shí)際損耗量，也就是可再生能源電力的用電量來(lái)衡量的，依據(jù)來(lái)源于各年度《全國(guó)可再生能源電力發(fā)展監(jiān)測(cè)評(píng)價(jià)報(bào)告》。何偉軍等利用主成分分析法對(duì)影響用電量的因素進(jìn)行了分析[36]；邢素潔使用灰色關(guān)聯(lián)度模型發(fā)現(xiàn)年度國(guó)民GDP、能源損耗總量、可支配收入等因素對(duì)用電量的影響是從高到低的[37]。由此可見(jiàn)電力需求受到眾多因素的影響，將影響可再生能源電力需求的因素大致分為以下幾類。

1）宏觀經(jīng)濟(jì)。經(jīng)濟(jì)發(fā)展必將帶動(dòng)能源的消費(fèi)，特別是電能在終端能源消費(fèi)中所占的比例持續(xù)增長(zhǎng)，用年度GDP來(lái)代表宏觀經(jīng)濟(jì)指標(biāo)。2）人口數(shù)量。人口數(shù)量的多少直接影響能源的消耗量，人口增長(zhǎng)是促進(jìn)電力消費(fèi)的重要因素，用人口總數(shù)來(lái)代表人口數(shù)量指標(biāo)。3）城鎮(zhèn)化水平。城鎮(zhèn)化水平的提高同樣意味著人們?cè)谏钪械碾姎饣教嵘?，進(jìn)而導(dǎo)致電力需求的增加，用城鎮(zhèn)化率來(lái)代表城鎮(zhèn)化水平。4）直接因素。電力需求與能源消費(fèi)水平是相關(guān)的，能源消費(fèi)水平高，電力需求自然增加，同樣，電力需求與能源價(jià)格也有關(guān)系，不同種能源的價(jià)格會(huì)影響人們對(duì)能源種類的選擇。而電力行業(yè)有火力發(fā)電、水力發(fā)電、風(fēng)力發(fā)電、光伏發(fā)電等多種發(fā)電方式。故研究可再生能源電力的需求應(yīng)該考慮到可再生能源電力的發(fā)電量、火力發(fā)電量、能源消費(fèi)總量、煤炭?jī)r(jià)格、原油價(jià)格、成品油價(jià)格和電力價(jià)格等直接因素。其中，煤炭開(kāi)采與洗選業(yè)的價(jià)格指數(shù)代表煤炭?jī)r(jià)格，

石油和天然氣開(kāi)采業(yè)的價(jià)格指數(shù)代表原油價(jià)格，煉油煉焦加工業(yè)的價(jià)格指數(shù)代表成品油價(jià)格，電熱力生產(chǎn)與供應(yīng)業(yè)的價(jià)格指數(shù)代表電力價(jià)格［35］。為檢驗(yàn)可再生能源電力需求所受眾多因素影響的相對(duì)強(qiáng)弱，引入灰色關(guān)聯(lián)度分析方法[36]。使用MATLAB軟件，選擇2003—2022年的年度GDP、人口總數(shù)、城鎮(zhèn)化率、滯后一期的可再生能源電力的發(fā)電量、火力發(fā)電量、能源消費(fèi)總量、煤炭?jī)r(jià)格、原油價(jià)格、成品油價(jià)格、電力價(jià)格等指標(biāo)的數(shù)據(jù)（見(jiàn)表1），得到灰色關(guān)聯(lián)度分析結(jié)果：年度GDP、人口總數(shù)、城鎮(zhèn)化率、滯后一期的可再生能源電力的發(fā)電量、火力發(fā)電量、能源消費(fèi)總量、煤炭?jī)r(jià)格、原油價(jià)格、成品油價(jià)格和電力價(jià)格等指標(biāo)的關(guān)聯(lián)度分別為0.927 9，0.831 5，0.856 1，0.959 5，0.848 7，0.825 9，0.674 6，0.552 5，0.655 0，0.617 3。

從可再生能源電力需求的影響因素相對(duì)強(qiáng)弱排序來(lái)看，選擇關(guān)聯(lián)度超過(guò)0.8的影響因素對(duì)可再生能源電力需求進(jìn)行組合模型預(yù)測(cè)分析，不考慮能源價(jià)格對(duì)可再生能源電力需求的影響。其實(shí)，能源價(jià)格因素影響可再生能源電力需求的原因是化石能源價(jià)格上漲時(shí)，社會(huì)將增加對(duì)清潔能源的需求，減少化石能源的消耗，

但火力發(fā)電量這個(gè)影響因素更直接地反映了這個(gè)原因，且從關(guān)聯(lián)度分析結(jié)果上也可以看出。

4.2?評(píng)價(jià)指標(biāo)為檢驗(yàn)ISSA-LSTM模型的預(yù)測(cè)精度，選取2個(gè)檢驗(yàn)指標(biāo)分別為平均絕對(duì)百分比誤差MAPE和均方根誤差RMSE。計(jì)算公式如下

MAPE=100%n

∑ni=1

yi-iyi

（15）

RMSE=

1n

∑ni=1（i-yi）2

（16）

4.3?結(jié)果分析

為驗(yàn)證ISSA對(duì)LSTM的優(yōu)化效果，選用Matlab 2022計(jì)算平臺(tái)進(jìn)行驗(yàn)證，分別選取原始的SSA-LSTM與ISSA-LSTM模型進(jìn)行對(duì)比，輸入2003—2022年的數(shù)據(jù)，使用2003—2015年的數(shù)據(jù)作為訓(xùn)練集，2016—2022年的數(shù)據(jù)作為測(cè)試集，并對(duì)2023—2030年的可再生能源電力需求進(jìn)行預(yù)測(cè)。所整理的數(shù)據(jù)經(jīng)過(guò)反復(fù)訓(xùn)練可得出，SSA尋優(yōu)性能最好時(shí)的具體參數(shù)設(shè)置見(jiàn)表2。

模型參數(shù)設(shè)置完畢后，將2016—2022年的數(shù)據(jù)作為測(cè)試集輸入到SSA-LSTM和ISSA-LSTM模型中進(jìn)行測(cè)試。圖5是改進(jìn)前SSA算法與改進(jìn)后的ISSA算法優(yōu)化LSTM的適應(yīng)度曲線對(duì)比，其中SSA算法搜索得到的適應(yīng)度值小于ISSA算法，原始SSA算法在迭代次數(shù)60次時(shí)獲得最優(yōu)適應(yīng)度值為0.022 68，而改進(jìn)的ISSA算法在40次時(shí)獲得最優(yōu)適應(yīng)度值為0.017 45，且SSA算法的尋優(yōu)能力不及ISSA算法的適應(yīng)度曲線，這是由于ISSA算法在種群初始化階段引入Circle混沌映射，使種群均勻分布在搜索空間中，減緩算法陷入局部最優(yōu)的情況，此外還采用非線性慣性權(quán)重策略，在一定程度上平衡算法的全局和局部搜索能力，加快算法的收斂速度，進(jìn)而提高算法的尋優(yōu)能力和準(zhǔn)確性。

各模型運(yùn)行所得的2016—2022年預(yù)測(cè)值與真實(shí)值的結(jié)果如圖6所示。

ISSA-LSTM組合預(yù)測(cè)模型所得的2023—2030年可再生能源電力需求的預(yù)測(cè)值結(jié)果如圖7所示。

為進(jìn)一步體現(xiàn)ISSA-LSTM預(yù)測(cè)模型的精度，將BP、SVR、SSA-SVR、LSTM、CNN-LSTM、PSO-LSTM以及SSA-LSTM等7個(gè)模型的預(yù)測(cè)結(jié)果與ISSA-LSTM模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。經(jīng)過(guò)實(shí)際運(yùn)行，模型的預(yù)測(cè)結(jié)果見(jiàn)表3。

通過(guò)對(duì)比分析這7個(gè)模型得出：LSTM預(yù)測(cè)精度高于BP和SVR，這表明深度神經(jīng)網(wǎng)絡(luò)更適合處理此類影響可再生能源電力需求的數(shù)據(jù)，例如發(fā)電量、年度GDP、人口總數(shù)、城鎮(zhèn)化率和能源消費(fèi)總量等；PSO-LSTM預(yù)測(cè)的誤差小于CNN-LSTM，調(diào)整神經(jīng)網(wǎng)絡(luò)的超參數(shù)對(duì)預(yù)測(cè)性能影響更大，分別使用SSA與PSO算法優(yōu)化LSTM的超參數(shù)，結(jié)果表明SSA算法在尋找LSTM超參數(shù)最尋優(yōu)解的能力優(yōu)于PSO算法；ISSA-LSTM和SSA-LSTM進(jìn)行對(duì)比得到平均絕對(duì)百分比誤差和均方根誤差降低，結(jié)果表明ISSA-LSTM能夠作為有效的預(yù)測(cè)模型，適用于可再生能源電力的需求預(yù)測(cè)。

5?結(jié)?論

1）引入Circle混沌映射使麻雀初始種群均勻分布搜索空間，提高麻雀搜索算法初始解的質(zhì)量，能有效提升SSA尋優(yōu)能力，與LSTM相結(jié)合所組成的ISSA-LSTM模型可用于類似可再生能源電力需求預(yù)測(cè)的研究。2）可再生能源電力需求從2023年的2.65萬(wàn)億千瓦時(shí)升高到2024年的2.67萬(wàn)億千瓦時(shí)，又在2030年降低為2.27萬(wàn)億千瓦時(shí)，整體波動(dòng)幅度不大。在未來(lái)8年，可再生能源電力需求趨于穩(wěn)定，約占1/3的全社會(huì)用電量。

研究結(jié)果只是在各因素的影響下，使用改進(jìn)后的組合預(yù)測(cè)方法客觀地預(yù)測(cè)出未來(lái)可再生能源電力的需求，但“雙碳”目標(biāo)實(shí)現(xiàn)的根本在于減少煤炭使用量，增加可再生能源電力的使用量，這就需要持續(xù)加大可再生能源電力的規(guī)模和消納才能達(dá)到。到目前為止，“雙碳”目標(biāo)的實(shí)現(xiàn)還有一定的提升空間，持續(xù)加大可再生能源電力的發(fā)展規(guī)模，提高可再生能源電力的消納和儲(chǔ)存能力是提升可再生能源電力需求的關(guān)鍵，也是實(shí)現(xiàn)“雙碳”目標(biāo)的重中之重。

參考文獻(xiàn)（References）：

[1]?MOKILANE P，GALPIN J，YADAVALLI V S S，et al.Density forecasting for long-term electricity demand in South Africa using quantile regression[J].South African Journal of Economic and Management Sciences，2018，21（1）：1142-1153.

[2]PAPAGEORGIOU G，EFSTATHIADES A，POULLOU M，et al.Managing household electricity consumption：a correlational，regression analysis[J].International Journal of Sustainable Energy，2020，39（5）：486-496.

[3]VELASQUEZ C E，ZOCATELLI M，ESTANISLAU F B G L，et al.Analysis of time series models for Brazilian electricity demand forecasting[J].Energy，2022，247：123483.

[4]LI Y，LIU T，XU J.Analyzing the economic，social，and technological determinants of renewable and nonrenewable electricity production in China：Findings from time series models[J].Energy，2023，282：128888.

[5]DENG J L.Control problems of grey system[J].Sysystems Control Letters，1982，1（5）：288-294.

[6]TANG T，JIANG W，ZHANG H，et al.GM（1，1）based improved seasonal index model for monthly electricity consumption forecasting[J].Energy，2022，252：124041.

[7]LI R，CHEN X，BALEZENTIS T，et al.Multi-step least squares support vector machine modeling approach for forecasting short-term electricity demand with application[J].Neural Computing and Applications，2021，33（1）：301-320.

[8]JIANG P，LI R，LIU N，et al.A novel composite electricity demand forecasting framework by data processing and optimized support vector machine[J].Applied Energy，2020，260：114243.

［9］TAN X，YU F，ZHAO X.Support vector machine algorithm for artificial intelligence optimization[J].Cluster Computing，2019，22：15015-15021.

[10]FUADI A Z，HAQ I N，LEKSONO E.Support vector machine to predict electricity consumption in the energy management laboratory[J].Jurnal RESTI（Rekayasa Sistem dan Teknologi Informasi），2021，5（3）：466-473.

[11]JIANG P，LI R，LU H，et al.Modeling of electricity demand forecast for power system[J].Neural Computing and Applications，2020，32：6857-6875.

[12]AI X，LI S，XU H.Short-term wind speed forecasting based on two-stage preprocessing method，sparrow search algorithm and long short-term memory neural network[J].Energy Reports，2022，8：14997-15010.

[13]SURABHI C，PRERNA G.Radial basis function neural network technique for efficient maximum power point tracking in solar photo-voltatic system[J].Procedia Computer Science，2020，167：2354-2363.

[14]NGUYEN V H，BUI V，KIM J，et al.Power demand forecasting using long short-term memory neural network based Smart Grid[C]//2020 International Conference on Artificial Intelligence in Information and Communication（ICAIIC），F(xiàn)ukuoka，Japan，2020：388-391，doi：10.1109/ICAIIC48513.2020.9065270.

[15]MORADZADEH A，MOAYYED H，ZARE K，et al.Short-term electricity demand forecasting via variational autoencoders and batch training-based bidirectional long short-term memory[J].Sustainable Energy Technologies and Assessments，2022，52：102209.

[16]汪克亮，楊力.電力需求的非線性回歸組合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（28）：225-227.

WANG Keliang，YANG Li.Study on power forecasting based on non-linear regression combined neural network[J].Computer Engineering and Application，2010，46（28）：225-227.

［17］陳章潮，熊崗.應(yīng)用改進(jìn)的灰色GM（1，1）模型進(jìn)行長(zhǎng)期電力需求預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)化，1993（7）：20-24.CHEN Zhangchao，XIONG Gang.Applying the improved grey GM（1，1）model to forecast long-term power demand[J].Power System Automation，1993（7）：20-24.

[18]張運(yùn)厚，李婉瑩，董福貴.基于DE-GWO-SVR的中長(zhǎng)期電力需求預(yù)測(cè)[J].中國(guó)電力，2021，54（9）：83-88.ZHANG Yunhou，LI Wanying，DONG Fugui.Medium and long-term power demand forecasting based on DE-GWO-SVR[J].China Electric Power，2021，54（9）：83-88.

[19]夏雨?duì)q，張新生，王明虎.基于ISSA-NESN的可再生能源電力需求預(yù)測(cè)研究[J].電網(wǎng)與清潔能源，2023，39（6）：136-143.XIA Yushuo，ZHANG Xinsheng，WANG Minghu.A study?on renewable energy power demand forecasti based on ISSA-NESN[J].Power Grid and Clean Energy，2023，39（6）：136-143.

[20]田書(shū)欣，周全，程浩忠，等.基于鴿群優(yōu)化算法的支持向量機(jī)在電力需求總量預(yù)測(cè)中的應(yīng)用[J].電力自動(dòng)化設(shè)備，2020，40（5）：173-181.TIAN Shuxin，ZHOU Quan，CHENG Haozhong，et al.Application of support vector machine based on pigeon colony optimization algorithm in total power demand forecasting[J].Electric Power Automation Equipment，2020，40（5）：173-181.

[21]王旭東，嚴(yán)珂，陸慧娟，等.LSTM的單變量短期家庭電力需求預(yù)測(cè)[J].中國(guó)計(jì)量大學(xué)學(xué)報(bào)，2018，29（2）：142-148.WANG Xudong，YAN Ke，LU Huijuan et al.Short-term household electricity demand forecast on LSTM?single variable[J].Journal of China Jiliang University，2018，29（2）：142-148.

［22］LI J，LEI Y，YANG S.Mid-long term load forecasting model based on support vector machine optimized by improved sparrow search algorithm[J].Energy Reports，2022（8）：491-497.

[23]劉亞琿，趙倩.基于聚類經(jīng)驗(yàn)?zāi)B(tài)分解的CNN-LSTM超短期電力負(fù)荷預(yù)測(cè)[J].電網(wǎng)技術(shù)，2021，45（11）：4444-4451.

LIU Yahui，ZHAO Qian.Ultra-short-term load forecasting based on cluster empirical mode decomposition of CNN-LSTM[J].Power System Technology，2021，45（11）：4444-4451.

[24]呂海燦，王偉峰，趙兵，等.基于Wide & Deep-LSTM模型的短期臺(tái)區(qū)負(fù)荷預(yù)測(cè)[J].電網(wǎng)技術(shù)，2020，44（2）：428-436.LYU Haican，WANG Weifeng，ZHAO Bing，et al.Short-term regional load forecasting based on Wide-Deep-LSTM model[J].Power Grid Technology，2020，44（2）：428-436.

［25］GAO X，GUO W，MEI C，et al.Short-term wind power forecasting based on SSA-VMD-LSTM[J].Energy Reports，2023（9）：335-344.

[26]賈立敬，張建文，王傳林，等.基于DGA的差分進(jìn)化支持向量機(jī)電力變壓器故障診斷[J].高壓電器，2015，51（4）：13-18.

JIA Lijing，ZHANG Jianwen，WANG Chuanlin，et al.Fault diagnosis of power transformer based on DGA of algorithm for SVM[J].High voltage apparatus，2015，51（4）：13-18.

[27]王清亮，代一凡，王旭東，等.基于ICEEMDAN-LSTM-BNN的短期光伏發(fā)電功率概率預(yù)測(cè)[J].西安科技大學(xué)學(xué)報(bào)，2023，43（3）：593-602.

WANG Qingliang，DAI Yifan，WANG Xudong，et al.Probabilistic prediction of short-term photovoltaic based on ICEEMDAN-LSTM-BNN[J].Journal of Xian University of Science and Technology，2023，43（3）：593-602.

[28]徐恒山，莫汝喬，薛飛，等.基于時(shí)間戳特征提取和CatBoost-LSTM模型的光伏短期發(fā)電功率預(yù)測(cè)[J/OL].太陽(yáng)能學(xué)報(bào)，1-10

[2024-04-29].http：//doi.org/10.19912/j.0254-0096.tynxb.2023-0007.XU Hengshan，MO Ruqiao，XUE Fei，et al.Short term photovoltaic power generation prediction based on timestamp feature extraction and CatBoost-LSTM model[J/OL].Journal of Solar Energy，1-10[2024-04-29].http：//doi.org/10.19912/j.0254-0096.tynxb.2023-0007

[29]呂靖燁，杜靖南，曹銘，等.利用ARIMA-SVM模型的碳排放交易價(jià)格預(yù)測(cè)[J].西安科技大學(xué)學(xué)報(bào)，2020，40（3）：542-548.LYU Jingye，DU Jingnan，CAO Ming，et al.Carbon emission trading price prediction using ?the ARIMA-SVM model[J].Journal of Xian University of Science and Technology，2020，40（3）：542-548.

[30]王媛彬，李媛媛，韓騫，等.基于PCA-BO-XGBoost的礦井回采工作面瓦斯涌出量預(yù)測(cè)[J].西安科技大學(xué)學(xué)報(bào)，2022，42（2）：371-379.

WANG Yuanbin，LI Yuanyuan，HAN Qian，et al.Gas emission prediction of the stope in coal mine based on PCA-BO-XGBoost[J].Journal of Xian University of Science and Technology，2022，42（2）：371-379.

[31]郝秦霞，榮政，謝林江，等.基于Bi-LSTM的在線物聯(lián)網(wǎng)設(shè)備識(shí)別方法[J].西安科技大學(xué)學(xué)報(bào)，2023，43（2）：422-430.HAO Qinxia，RONG Zheng，XIE Linjiang，et al.On-line device identification method of internet of things based on Bi-LSTM[J].Journal of Xian University of Science and Technology，2023，43（2）：422-430.

[32]馬莉，王卓，代新冠，等.基于雙流CNN與Bi-LSTM的施工人員不安全行為輕量級(jí)識(shí)別模型[J].西安科技大學(xué)學(xué)報(bào)，2022，42（4）：809-817.

MA Li，ZHUO Wang，DAI Xinguan，et al.Lightweight unsafe behavior recognition model of construction workers based on two-stream CNN and Bi-LSTM[J].Journal of Xian University of Science and Technology，2022，42（4）：809-817.

[33]潘紅光，裴嘉寶，蘇濤，等.基于LSTM的燃煤電廠NOx排量軟測(cè)量[J].西安科技大學(xué)學(xué)報(bào)，2022，42（2）：362-370.

PAN Hongguang，PEI Jiabao，SU Tao，et al.LSTM-based soft sensor of NOx emission from coal-fired power plants[J].Journal of Xian University of Science and Technology，2022，42（2）：362-370.

［34］薛建凱.一種新型的群智能優(yōu)化技術(shù)的研究與應(yīng)用——麻雀搜索算法[D].上海：東華大學(xué)，2020．XUE Jiankai.Research and application of a novel swarm intelligence optimization technique：Sparrow search algorithm[D].Shanghai：Donghua University，2020.

［35］施青，許蔓，孫曉奇.能源價(jià)格波動(dòng)對(duì)我國(guó)一般價(jià)格水平及其變化趨勢(shì)的影響——基于投入產(chǎn)出價(jià)格影響模型[J].世界經(jīng)濟(jì)文匯，2021（2）：54-70.SHI Qing，XU Man，SUN Xiaoqi.The impact of energy price fluctuations on the general price level and its trends in China：Based on the input output price impact model[J].World Economic Review，2021（2）：54-70.

[36]何偉軍，孔陽(yáng)，崔勇，等.基于主成分分析法的我國(guó)用電量的影響因素分析[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2018，48（1）：67-74.HE Weijun，KONG Yang，CUI Yong，et al.Analysis of influencing factors of electricity consumption in China based on principal component analysis[J].Practice and Understanding of Mathematics，2018，48（1）：67-74.

[37]邢素潔.基于灰色關(guān)聯(lián)度模型的用電量影響因素分析[J].價(jià)值工程，2022，41（13）：7-9.XING Sujie.Analysis of influencing factors of electricity consumption based on grey correlation model[J].Value Engineering，2022，41（13）：7-9.

（責(zé)任編輯：高佳）