摘要
电力负荷预测是维持电力系统正常运行的必要前提，也是电力系统经济运行的基础。随着社会经济的发展和生活水平的提高，各地区的用电量与日俱增，为了电力系统的安全运行，对电力负荷预测的准确度有了进一步的要求。高准确度的电力负荷预测模型既可以提升电力负荷位于电力市场中的灵活性，也可以提高资源的利用率，对此，建立合适的预测模型十分重要。本文的主要工作如下： 首先介绍了短期电力负荷预测的研究背景、现状，常见的预测模型以及负荷预测过程中常用的数据预处理方法和神经网络的发展历程及其变体结构。若负荷序列中存在缺失值或异常值时，可用预处理方法进行修正。 其次提出了一种基于阶段分解与IWOA-LSTM的短期负荷组合预测模型。阶段分解组成包括频域分解(frequencydomaindecomposition，FDD)和集合经验模态分解(ensembleempiricalmodedecomposition，EEMD)，通过频域分解方法将负荷分解为周期分量和趋势分量，通过集合经验模态分解对趋势分量中的高频分量作第二阶段分解，对鲸鱼优化算法提出改进模块，以此平衡算法的全局搜索能力和局部搜索能力，使用改进的鲸鱼优化算法(Improvedwhaleoptimizationalgorithm，IWOA)来优化长短期记忆网络(longshort-termmemory，LSTM)的超参数，搭建了组合预测模型，并在真实负荷数据集上进行算例分析，结果验证了所提模型的有效性。 最后提出了一种基于IWOA优化的CEEMD-Attention-BiLSTM的短期负荷预测模型。采用互补集合经验模态分解(complementaryensembleempiricalmodedecomposition，CEEMD)消除白噪声次数的影响，采用注意力机制(Attention)和双向长短期记忆网络(bidirectionallongshort-termmemory，BiLSTM)加强负荷预测过程中的前后信息联系，以此更加高效的处理长时间负荷序列，建立了IWOA优化的CEEMD-Attention-BiLSTM的短期负荷预测模型，并在真实负荷数据集上进行了算例分析，结果验证了所提模型的有效性。
NETL