首页|基于SAE与CEEMDAN-BiLSTM组合模型的短期电力负荷预测

基于SAE与CEEMDAN-BiLSTM组合模型的短期电力负荷预测

SHORT-TERM POWER LOAD FORECASTING BASED ON THE COMBINATION MODEL OF SAE AND CEEMDAN-BILSTM

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
单一模型在迭代训练过程中由于模型的自身误差,最终会降低预测精度.为了提高预测的准确性,引入完整集成经验模态分解-双向长短期记忆网络(CEEMDAN-BiLSTM)作为误差修正模型,提出一种栈式自编码器(SAE)与CEEMDAN-BiLSTM相结合的负荷预测模型.通过SAE模型学习气象因素、工作日类型、气温影响下负荷序列的主要特征,预测过程中产生的误差序列则反映了负荷序列的次要特征;使用CEEMDAN算法将误差序列分解为数个分量,针对每一项分量建立BiLSTM模型学习误差序列的时序特征,将各项分量的预测值累加得到误差的预测结果;将两种模型的预测值求和从而达到修正误差的目的.通过比较几种模型的预测结果表明:SAE与CEEMDAN-BiLSTM组合模型应用在短期电力负荷预测具有更好的准确性与稳定性.

黄炜、陈田

展开 >

上海电机学院机械学院 上海200120

短期电力系统负荷预测 栈式自编码器 CEEMDAN 双向长短期记忆网络

上海市高峰高原学科建设项目上海市自然科学基金

A1-5701-18-007-0315ZR1417200

2022

10.3969/j.issn.1000-386x.2022.07.009

计算机应用与软件
上海市计算技术研究所 上海计算机软件技术开发中心

计算机应用与软件

CSTPCD北大核心
影响因子：0.615
ISSN：1000-386X
年,卷(期)：2022.39(7)
  • 5
  • 14