基于变分模态分解和复合变量选取的短期负荷预测

• Published in: 电测与仪表 Vol. 61; no. 2; pp. 122 - 129
• Main Authors: 周纲, 黄瑞, 刘谋海, 李文博, 胡军华, 高云鹏
• Format: Journal Article
• Language: Chinese
• Published: 智能电气量测与应用技术湖南省重点实验室,长沙 410004%国网湖南省电力有限公司,长沙 410004 15.02.2024; 智能电气量测与应用技术湖南省重点实验室,长沙 410004; 湖南大学,长沙 410082; 国网湖南省电力有限公司,长沙 410004; 湖南大学,长沙 410082%智能电气量测与应用技术湖南省重点实验室,长沙 410004
• Subjects: long and short-term memory neural network; 长短时记忆神经网络; 变分模态分解; complex variable selection algorithm; 复合变量选取算法; variational modal decomposition; 短期负荷预测; short-term load forecasting
• ISSN: 1001-1390
• DOI: 10.19753/j.issn1001-1390.2024.02.018

TM933; 精准的短期负荷预测是实现电网精益化运行和管理重要保障,但存在短期负荷波动性强、负荷预测关键影响因素选取困难等精准预测难题.利用变分模态分解将原始电力负荷数据分解为多个子序列,挖掘短期负荷波动特征的同时避免模态混叠问题,提出复合变量选取算法分析筛选影响负荷波动的关键因素,有效去除预测干扰信息并进一步简化预测模型的复杂度,通过兼顾数据短期依赖和长期依赖的长短时记忆神经网络对各子序列进行预测,并将各子序列预测结果进行叠加实现最终的短期负荷预测,据此建立基于变分模态分解和复合变量选取的短期负荷预测方法.选取2019年整年长沙市实际数据验证结果表明,提出算法在复杂外部影响因素下,能准确筛选负荷预测的关键影响因素,相比传统预测模型,提出模型结构更简单、预测精度更高.