二次分解组合CNN-LSTM的短期负荷预测

TM721; 短期电力负荷随机性强、波动性大.为提高负荷预测精度,文章提出一种基于二次分解的卷积神经网络(CNN)与长短期记忆(LSTM)神经网络组合的预测模型.其首先采用自适应噪声完备集合经验模态分解(CEEMDAN)方法将原始负荷序列分解为若干固有模态分量和残差;然后,引入样本熵与K均值(SE-K-means,SK),将分解得到的子序列重构为 3 个序列,并运用变分模态分解方法将重构分量中的强非平稳序列进行二次分解,建立CNN-LSTM模型,对分解得到的各个子序列分别进行预测;最后,将预测的结果叠加,以实现对负荷的有效预测.运用实际负荷数据从确定系数、平均绝对误差、均方根误差和平均绝对百分...

Full description

Saved in:
Bibliographic Details
Published in控制与信息技术 no. 4; pp. 54 - 60
Main Authors 邓博文, 肖伸平, 廖世英
Format Journal Article
LanguageChinese
Published 电气传动控制与智能装备湖南省重点实验室,湖南 株洲 412007 2023
湖南工业大学 电气与信息工程学院,湖南 株洲 412007
Subjects
样本熵重构
长短期记忆网络
long short-term memory network
二次分解
卷积神经网络
convolutional neural network
quadratic decomposition
sample entropy reconstruction
短期负荷预测
short-term load forecasting
Online AccessGet full text
ISSN2096-5427
DOI10.13889/j.issn.2096-5427.2023.04.008

Cover

More Information
Summary:TM721; 短期电力负荷随机性强、波动性大.为提高负荷预测精度,文章提出一种基于二次分解的卷积神经网络(CNN)与长短期记忆(LSTM)神经网络组合的预测模型.其首先采用自适应噪声完备集合经验模态分解(CEEMDAN)方法将原始负荷序列分解为若干固有模态分量和残差;然后,引入样本熵与K均值(SE-K-means,SK),将分解得到的子序列重构为 3 个序列,并运用变分模态分解方法将重构分量中的强非平稳序列进行二次分解,建立CNN-LSTM模型,对分解得到的各个子序列分别进行预测;最后,将预测的结果叠加,以实现对负荷的有效预测.运用实际负荷数据从确定系数、平均绝对误差、均方根误差和平均绝对百分比误差这 4 种评价指标角度进行验证,结果表明,该模型与XGBoost、LSTM、CEEMDAN-LSTM和CEEMDAN-CNN-LSTM模型相比较,具有更高的拟合度和预测精度.
ISSN:2096-5427
DOI:10.13889/j.issn.2096-5427.2023.04.008