10.13335/j.1000-3673.pst.2019.0113
基于EEMD-GRU-MLR的短期电力负荷预测
针对电力负荷随机性较强,预测精度不高的问题,通过构建集合经验模态分解(ensemble empirical mode decomposition,EEMD)以及门控循环单元神经网络(gated recurrent unit neural network,GRU)和多元线性回归(multiple linear regression,MLR)组合而成的EEMD-GRU-MLR (EGM)预测方法,有效提高了电力负荷短期预测精度.首先通过集合经验模态分解将电力负荷数据分解为频率由高到低的不同本征模态函数(intrinsic mode functions,IMF),不同频率的本征模态函数分量代表了电力负荷不同的部分特征,随后分别使用多元线性回归方法和GRU神经网络方法对低频部分和高频部分进行快速准确的预测,最后将所得各预测结果组合后得到完整的预测结果.EGM预测方法不但能够对电力负荷的变化趋势进行有效预测,而且能够准确预测随机性较强的局部特征.最后通过实验验证,该方法有效地提高了负荷预测精度.
短期电力负荷预测、集合经验模态分解、GRU神经网络、多元线性回归
44
TM715(输配电工程、电力网及电力系统)
国家重点研发计划;国家自然科学基金
2020-04-26(万方平台首次上网日期,不代表论文的发表时间)
共10页
593-602