基于ICEEMDAN-CNN-K-shape的智慧园区短期负荷预测研究

摘要：

在"双碳"背景下,针对海量用户负荷预测场景,目前智慧园区用能存在受多重外界因素影响,人工调整参数和使用单一模型无法实现精确的负荷预测.因此,提出了一种基于改进的带有自适应噪声完备集合经验模态分解(ICEEMDAN)结合卷积神经网络(CNN)结合K-shape的智慧园区短期负荷预测方法.首先,基于改进的带有自适应噪声完备集合经验模态分解法将初始用能数据分解为若干分量,将负荷序列的特征在多尺度上剥离开,以减少负荷序列的复杂性.而后,使用卷积神经网络算法将分解后的数据进行特征提取,提取相似日不同时间段下智慧园区负荷特征曲线.最后,基于K-shape聚类筛选相似日历史负荷作为卷积神经网络的输入向量进行智慧园区短期负荷预测.以浙江省某智慧园区用能数据为例,将所提方法应用于典型的智慧园区,并与已有聚类评价指标比较,实验结果表明,所提方法能够很好地解决智慧园区短期负荷预测问题.

关键词：变分模态分解、聚类分析、卷积神经网络、短期负荷预测

所属期刊栏目：42

分类号：TM714(输配电工程、电力网及电力系统)

资助基金：浙江省自然科学基金项目;无锡学院人才启动经费项目

在线出版日期：2023-07-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：103-112