基于CEEMDAN-CNN-GRU组合模型的短期负荷预测方法

摘要：

负荷数据的高度随机性和不确定性,导致短期负荷预测的精度很难提升.为了提高短期负荷预测的准确度,提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)与卷积神经网络(CNN)和门控循环单元(GRU)组合模型的短期负荷预测方法.首先,利用CEEMDAN模型将复杂的原始负荷序列分解为几个相对简单的子序列;其次,利用卷积神经网络(CNN)和门控循环单元(GRU)建立各分量预测模型,将归一化后的分量输入训练模型,得到预测子序列;最后,将所有分量的结果汇总,得到最终预测结果.结果表明,与LSTM模型、GRU模型、CNN-GRU及CEEMDAN-GRU组合模型相比,CEEMDAN-CNN-GRU组合模型所测精度有了明显提升,平均提升了 25.08％,23.59％,20.41％和 13.53％.CEEMDAN-CNN-GRU 组合模型能够提取历史负荷数据中的非线性特征,有效提升短期负荷预测精度,可为电力系统建设提供有力支撑.

关键词：数据处理、卷积神经网络、互补集合模态分解、门控循环单元、负荷预测、电力系统

所属期刊栏目：43

分类号：TP399(计算技术、计算机技术)

资助基金：国家自然科学基金;国家重点研发计划;湖北省电力科技项目;湖北省教育厅重点项目

在线出版日期：2022-05-11（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：154-161