基于相似日与BiLSTM组合的短期电力负荷预测

短期电力负荷存在非线性、波动性和影响因素多等特征,针对以上特征所导致的预测精度不足,本文提出一种基于相似日与双向长短时记忆神经网络(BiLSTM)组合的短期电力负荷预测模型.首先,剖析电力负荷的动态变化机理,基于相似日和灰色关联分析方法,构建负荷与特征融合数据集;其次,采用变分模态分解(VMD)方法将高波动、非线性的原始负荷数据分解为多个相对平稳的分量,并对各分量分别搭建BiLSTM预测模型;最后,采用鲸鱼算法(WOA)对模型的分解参数和相似日天数进行优化,减小模型的固有误差.以新英格兰某地区的实际数据进行仿真验证,所提模型的平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(...

Full description

Saved in:
Bibliographic Details
Published in控制理论与应用 Vol. 41; no. 12; pp. 2304 - 2314
Main Authors 祁宇轩, 范俊岩, 吴定会, 汪晶
Format Journal Article
LanguageChinese
Published 江南大学轻工过程先进控制教育部重点实验室,江苏无锡 214122%上海宝信软件有限公司,上海 201999 01.12.2024
Subjects
similar day
deep learning
变分模态分解
短期电力负荷预测
深度学习
相似日
whale optimization algorithm
variational modal decomposition
鲸鱼优化算法
short-term power load forecasting
Online AccessGet full text
ISSN1000-8152
DOI10.7641/CTA.2023.20969

Cover

More Information
Summary:短期电力负荷存在非线性、波动性和影响因素多等特征,针对以上特征所导致的预测精度不足,本文提出一种基于相似日与双向长短时记忆神经网络(BiLSTM)组合的短期电力负荷预测模型.首先,剖析电力负荷的动态变化机理,基于相似日和灰色关联分析方法,构建负荷与特征融合数据集;其次,采用变分模态分解(VMD)方法将高波动、非线性的原始负荷数据分解为多个相对平稳的分量,并对各分量分别搭建BiLSTM预测模型;最后,采用鲸鱼算法(WOA)对模型的分解参数和相似日天数进行优化,减小模型的固有误差.以新英格兰某地区的实际数据进行仿真验证,所提模型的平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)分别为0.58％,42,78,均优于对照模型,有效提升了负荷预测精度.
ISSN:1000-8152
DOI:10.7641/CTA.2023.20969