基于EEMD-GRU的短期电力负荷预测方法

摘要：

电力负荷数据具有高度随机性和不确定性,传统方法预测精度较差,因而提出了一种基于集合经验模态分解和门控循环单元(EEMD-GRU)的短期负荷预测方法.模型利用EEMD对非平稳原始序列进行处理,将原始负荷时间序列信号分解为有限个固有模态函数和残差分量,通过利用GRU建立各分量预测模型,然后将归一化后的分量输入训练模型,得到预测负荷序列,同时以ISO-NE数据集和荆州电网实际数据为例,对比分析了EEMD-GRU,GRU,LSTM模型的预测结果.研究表明,EEMD-GRU模型的MAPE和RMSE值明显低于GRU和LSTM模型,预测性能最好,验证了该方法的准确性.

关键词：循环神经网络、集合经验模态分解、门控循环单元、短期负荷预测

所属期刊栏目：38

分类号：TM715;TP399(输配电工程、电力网及电力系统)

资助基金：国网湖北省科技项目5215J0200012

在线出版日期：2022-04-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：7-11,51