吉林大学学报(信息科学版) ›› 2023, Vol. 41 ›› Issue (6): 1007-1014.
王金玉, 胡喜乐, 闫冠宇
WANG Jinyu, HU Xile, YAN Guanyu
摘要: 为提高短期电力负荷预测精度, 提出了基于变分模态分解(VMD: Variational Mode Decomposition)的 CNN-BiLSTM-Att( Convolutional Neural Network-Bidirectional Long Short-Term Memory-Attention) 的 短 期 负 荷 预测模型。 该模型将历史的负荷数据使用 VMD 分解成多个子序列负荷并结合天气、 日期、 工作日类型等 因素作为输入特征, 得到各个子序列负荷的预测值, 然后相加重构组成实际负荷预测曲线。 通过与其他 模型实验对比, VMD-CNN-BiLSTM-Att 模型在测试集上相比于其他模型均有所降低, 在连续的周负荷预测 中, 日负荷预测的平均绝对百分比误差基本维持在 1% ~ 2% 之间。 在复杂负荷变化的非工作日中, 平均 绝对百分比误差相比 CNN-LSTM 降低 0. 13% 。 证明 VMD-CNN-BiLSTM-Att 短期负荷预测模型能提高电力 负荷预测的精度。
中图分类号: