基于变分模态分解和深度学习的短期电力负荷预测模型

摘要：

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要.提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和长短期记忆(Long Short Term Memory,LSTM)神经网络的短期负荷预测模型.利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions,IMF),每个IMF结合LSTM进行预测,将各部分预测结果叠加得到VMD-LSTM模型的预测结果.分析实验结果,相比单一LSTM和经验模态分解(Empirical Mode Decomposition,EMD)组合LSTM预测方法,该方法能有效的提升负荷预测的准确性.

关键词：短期负荷预测、变分模态分解、本征模态函数、长短期记忆神经网络

所属期刊栏目：60

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：南网广东电网有限责任公司广州供电局生产技改类项目080016GS62190031

在线出版日期：2023-02-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：126-131,146