基于改进BiLSTM-RF的短期负荷预测研究

扫码查看

原文链接

万方数据
维普

中文摘要：电力负荷的准确预测能有效保持电网运行的稳定性,提高经济效益和社会效益.为了提高负荷预测的精准度,首先利用麻雀搜索算法(SSA)和变分模态分解(VMD)对输入的原始负荷进行模态分解,降低了电力负荷数据随机性与非平稳性;然后利用双向长短期记忆-随机森林(BiLSTM-RF)组合模型对分解后的子模态进行特征提取和预测.对某地区公开数据的性能验证与模型对比分析结果表明,改进的BiLSTM-RF(+BiLSTM-RF)组合模型在决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分误差(MAPE)这四个预测精度指标方面分别达到了0.973、300.31、134.91、0.037.与传统的支持向量机(SVM)、长短期记忆(LSTM)网络、门控循环单元(GRU)等单一预测方法,以及未改进的BiLSTM-RF组合预测方法相比,+BiLSTM-RF组合模型有更好的预测表现.

外文标题：Short-Term Load Forecasting Study Based on Improved BiLSTM-RF

外文关键词：

Short-term load forecastingSparrow search algorithm(SSA)Variational mode decomposition(VMD)Bi-directional long short-term memory (BiLSTM) networkRandom forest(RT)Attention mechanismSliding window width

作者：

唐滨钧、邝先验、吴丹

展开 >

作者单位：

江西理工大学电气工程与自动化学院,江西赣州 341000

关键词：

短期负荷预测麻雀搜索算法变分模态分解双向长短期记忆网络随机森林注意力机制滑窗宽度

出版年：

2024

DOI：

10.16086/j.cnki.issn1000-0380.2022120066

自动化仪表