基于CEEMDAN-LSTM-CNN网络的短期电力负荷预测

摘要：

短期电力负荷随机性和波动性较强,传统的负荷预测方法难以掌握短期负荷变化的规律.为提高短期电力负荷预测精度,提出一种融合自适应噪声完备集合经验模态分解(CEEMDAN)、长短时记忆(LSTM)网络、卷积神经网络(CNN)的短期电力负荷预测方法.从数据集中提取原始负荷序列,利用CEEMDAN将其分解为多个固有模式函数(IMF),降低其非稳定性;采用LSTM网络分析各分量时序特征,获得多个预测结果;将各预测结果叠加后通过CNN和全连接层分别进行特征提取和数据特征学习,获得最终负荷预测结果.将所提方法分别与基准模型及其他文献方法通过实际算例进行对比分析,结果表明,所提方法能够准确掌握负荷变化的规律,且在一天负荷预测问题中精度达到97.32％.

关键词：电力负荷预测、自适应噪声完备集合经验模态分解、长短时记忆网络、卷积神经网络、皮尔逊相关系数

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：宁夏自然科学基金项目2021AAC03073

在线出版日期：2023-07-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1-6