基于VMD和TCN的多尺度短期电力负荷预测

摘要：

准确的电力负荷预测对于保证电力系统的稳定运行起着重要作用.针对传统短期电力负荷预测方法预测精度低,模态分解后未考虑子序列融合等问题,提出一种基于变分模态分解(VMD)和时域卷积网络(TCN)的多尺度短期电力负荷预测方法.首先利用VMD将电力负荷数据分解为若干个子序列,解决电力负荷数据的非线性和随机性等问题;再利用TCN对若干个序列采用不同时间尺度进行训练;最后利用全连接网络(FC)对各时间尺度的子序列进行融合,实现短期电力负荷预测,提升预测精度.实验结果表明,该方法相较于VMD和改进的长短时记忆网络(LSTM)相结合的传统预测方法,其均方根误差下降40％,曲线拟合程度提升1.1％.

关键词：短期电力负荷预测、子序列融合、时域卷积网络、变分模态分解

所属期刊栏目：51

分类号：TH17

资助基金：国家自然科学基金51607049

在线出版日期：2022-07-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：550-557