计及误差修正的变分模态分解-长短期记忆神经网络短期负荷预测

摘要：

精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础.因此,提出了一种将变分模态分解(variational mode decomposition,VMD)和长短期记忆神经网络(long short-term memory,LSTM)结合的短期负荷预测模型,并使用支持向量回归(support vector regression,SVR)构建修正后的误差序列对初始预测序列补偿.首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果.通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性.

关键词：短期负荷预测、变分模态分解(VMD)、长短期记忆神经网络(LSTM)、支持向量回归(SVR)、误差修正

所属期刊栏目：22

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金52077001

在线出版日期：2022-07-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：4828-4834