10.19753/j.issn1001-1390.2023.01.003
基于CEEMD-GRU模型的短期电力负荷预测方法
针对电力负荷序列不平稳、随机性强,直接输入模型会导致拟合效果差、预测精度低等问题,提出了一种基于添加互补白噪声的互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)以及门控循环单元神经网络(Gated Recurrent Unit Neural Network,GRU)融合的预测方法.针对传统经验模态分解(Empirical Mode Decomposition,EMD)方法处理干扰信号大的序列时,存在的模态混叠问题,提出了 CEEMD方法,加入互补白噪声,将原始序列分解成不同尺度的子序列输入GRU神经网络,并优化网络参数,最终获得预测结果.通过实验证明,该方法重构误差小,预测效果好.
互补集合经验模态分解、短期电力负荷预测、经验模态分解、门控循环单元神经网络
60
TM715(输配电工程、电力网及电力系统)
中国博士后面上基金资助项目;江苏大学高级人才研究项目
2023-02-06(万方平台首次上网日期,不代表论文的发表时间)
共7页
16-22