基于CNN-GRU-MLR的多频组合短期电力负荷预测

摘要：

负荷预测对于电力企业制定未来调度计划十分重要.为了进一步提高预测精度,充分挖掘负荷数据中时序特征的联系,提出一种卷积神经网络(Convolutional Neural Networks,CNN)、门控循环单元(Gate Recurrent Unit,GRU)和多元线性回归(Multiple Linear Regression,MLR)混合的多频组合电力负荷预测模型.该模型先对时间序列的负荷数据进行集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),并将其重构为高低两种频率;同时在高频中引人影响因子较大的气象因素,使用CNN-GRU模型预测,低频部分使用多元线性回归进行预测;最后将各个模型得出的预测结果叠加,得到最终预测结果.仿真结果表明,相对于其它网络模型,提出的混合模型具有更高的预测精度,是一种有效的短期负荷预测方法.

关键词：集合经验模态分解、门控循环单元、多元线性回归、卷积神经网络

所属期刊栏目：40

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;湖北省教育厅科学技术研究计划指导性项目;太阳能高效利用湖北省协同创新中心开放基金项目;长江科学院开放研究基金

在线出版日期：2023-03-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：118-124