VMD-LSTM算法在短期负荷预测中的应用

摘要：

传统的负荷预测方法如回归分析法、灰色预测法、支持向量机(Support Vector Machine,SVM)等缺少对时序数据相关性、特征值的全面考虑,预测值不稳定,精度较低且波动大.为进一步提升电力系统短期负荷预测的准确率,结合变分模态分解(Variational Mode Decomposition,VMD)和长短时记忆神经网络(Long Short-Term Memory,LSTM)算法,建立了一种短期负荷预测模型(VMD-LSTM).首先采用VMD技术将输入负荷数据分解为多个有限带宽的本征模态分量,分解结果表明了人们生产生活中不同的用电习惯,并且分离了数据中的噪声和信号,然后对每个模态分量建立LSTM神经网络进行预测,结合模型输出重构预测结果.通过实际算例,验证了该算法相比于传统的负荷预测算法适应性强,预测精度高且稳定,具有显著的理论指导意义和实用价值.

关键词：短期负荷预测、变分模态分解、长短时记忆神经网络、VMD-LSTM

所属期刊栏目：34

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：上海市张江国家自主创新重点项目201310-PI-B2-008

在线出版日期：2018-12-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：9-13