赖小玲, 贺嫚嫚, 胡伟, 张艺, 杜璞良, 刘蕊, 宋晓彤, 郑婷婷
录用日期: 2024-07-12
针对传统电力负荷预测方法存在精度不高、负荷数据噪声大等问题,提出一种基于改进变分模态分解(VMD)、卷积神经网络(CNN)和形变长短时记忆网络(Mogrifier LSTM)的多因素电力负荷预测方法。首先,运用麻雀搜索算法(SSA)对变分模态分解进行优化,得到最佳效果的分解子序列,有效减轻了负荷数据噪声对预测精度的影响;其次,分析各因素对负荷预测的影响机理,利用皮尔逊(Pearson)相关系数推导各影响因素与负荷之间的相关性,剔除冗余特征,大大降低了模型失准的发生概率;最后,采用CNN提取特征向量,将分解后的负荷数据及温度、湿度等特征数据输入到CNN-Mogrifier LSTM深度网络模型中,通过CNN-Mogrifier LSTM深度网络模型对特征数据进行多维分析,使短期负荷预测精度得到提高。算例分析结果表明,本文所提出的多因素电力负荷预测模型具有较好的适配性和预测效果。与文中次优VMD-CNN-Mogrifier LSTM模型相比,本文所提模型在两份所用真实数据集上的预测精度分别提升0.5和2.4个百分点,这为短期电力负荷预测提供了一种可行的解决思路。