基于VMD-PCA和TCN模型的短期电力负荷预测

摘要：

为提高电力负荷预测的准确性以降低后期电力备用储能建设的成本,需采取合理精确的预测模型预测未来负荷数据,文中提出一种基于变分模态分解(VMD)结合主成分分析(PCA)与时间卷积网络(TCN)组成的电力负荷预测模型.首先,为了提高抗噪性和分解效率,采用VMD对原始负荷序列进行分解,分解所得的模态分量通过计算样本熵值(SE)进行复杂度的近似分类,对新序列组分别建立预测模型;然后,采用主成分分析法做特征提取,提取出对预测目标影响较大的影响因素作为模型的输入向量.时间卷积网络作为深度卷积网络的改进算法,在预测精度和时间上都具有较大的优势,在深度学习领域得到了很多的关注,采用该模型进行短期电力负荷预测,最终结果同其他模型的结果相比误差最小,证明了该预测模型的精确可靠性.

关键词：短期负荷预测、时间卷积网络、变分模态分解、主成分分析、样本熵、特征提取、影响因素、深度学习

所属期刊栏目：45

分类号：TN99-34;TM715

在线出版日期：2022-09-15（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：173-179