基于二次混合模态分解和LSTM-MFO算法的短期负荷预测

摘要：

高精度短期负荷预测是配电网运行态势感知的基础.为了充分挖掘电力负荷中的复杂不确定信息,提出了一种融合二次混合模态分解和基于飞蛾扑火优化(MFO)算法的长短时记忆神经网络(LSTM)的短期负荷预测方法.首先,将集成经验模态分解(EEMD)和变分模态分解(VMD)相结合,提取负荷中相对稳定的子序列及趋势序列,以降低高频序列中无序不确定性对预测精度的影响;然后,引入基于MFO参数寻优的LSTM预测模型,进而利用LSTM-MFO算法实现对含各子序列短期负荷变化趋势的精确预测.最后,采用某实际配电网节点负荷序列,验证了所提方法的泛化能力和预测精度.

关键词：短期负荷预测、长短时记忆神经网络、飞蛾扑火优化算法、混合模态分解、不确定性

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：国网上海市电力公司技术项目52093421N002

在线出版日期：2022-10-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：66-73