10.19753/j.issn1001-1390.2023.02.018
基于变分模态分解和深度学习的短期电力负荷预测模型
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.
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
60
TM715(输配电工程、电力网及电力系统)
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
2023-02-24(万方平台首次上网日期,不代表论文的发表时间)
共7页
126-131,146