重庆理工大学学报2022，Vol.36Issue(1) ：165-170.DOI:10.3969/j.issn.1674-8425(z).2022.01.021

考虑变分模态分解残差量的电力负荷预测研究

Power load forecasting considering variational modal decomposition residuals

张莲 李涛 宫宇 杨洪杰 张尚德 贾浩
重庆理工大学学报2022，Vol.36Issue(1) ：165-170.DOI:10.3969/j.issn.1674-8425(z).2022.01.021
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据

考虑变分模态分解残差量的电力负荷预测研究

Power load forecasting considering variational modal decomposition residuals

张莲 1李涛 2宫宇 2杨洪杰 2张尚德 2贾浩2
扫码查看

作者信息

  • 1. 重庆市能源互联网工程技术研究中心,重庆 400054;重庆理工大学 电气与电子工程学院,重庆 400054
  • 2. 重庆理工大学 电气与电子工程学院,重庆 400054
  • 折叠

摘要

针对电力负荷序列的非平稳、非线性和长记忆等问题,建立了一种基于变分模态分解(VMD)、考虑变分模态分解残差量情况的长短期记忆神经网络(LSTM)电力负荷预测模型.首先,该预测模型采用VMD算法将归一化后的电力负荷数据分解为一系列本征模态(IMF)分量和残差量;然后,对每个IMF和残差量分别建立LSTM模型进行预测;最后,将各分量预测结果反归一化组合重构得到最终的电力负荷预测结果.使用平均绝对百分误差(MAPE)和均方根误差(RMSE)评价模型,结果表明该模型的预测精度优于LSTM模型和VMD-LSTM模型.

关键词

电力负荷预测/变分模态分解/长短期记忆神经网络/机器学习

引用本文复制引用

基金项目

国家自然科学基金(61976030)

出版年

2022
重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
被引量3
参考文献量15
段落导航相关论文