基于VMD与MOGOA-LSTM的短期负荷预测模型

摘要：

为了提高短期负荷预测的准确度,降低非平稳信号对模型预测造成的影响,提出一种集数据挖掘和多目标优化网络于一体的短期负荷预测模型.该方法将电力负荷数据通过变分模态分解技术分解成若干个不同频率的模态分量,采用相间重构方法动态确定人工神经网络的训练测试比和神经元设置,采用长短期记忆神经网络对各分量进行模型搭建,并在长短期记忆神经网络的基础上加入多目标蝗虫智能优化算法来优化网络内部参数,累加所有分量模型预测的值,实现短期负荷预测.仿真结果表明,与统计学方和混合模型相比,本文提出的模型在短期预测方面的预测精度较高、泛化能力更强.

关键词：变分模态分解、相间重构、LSTM、多目标蝗虫优化算法、短期负荷预测

分类号：TM719(输配电工程、电力网及电力系统)

资助基金：江苏省研究生科研与实践创新计划项目SJCX19_0526

在线出版日期：2022-04-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：7-12