基于CEEMDAN和TCN-LSTM模型的短期电力负荷预测

摘要：

针对短期电力负荷数据随机性强,难以实现准确预测的问题,提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network,TCN-LSTM)混合模型的预测方法.所提算法先使用CEEMDAN方法将负荷数据分解为一系列相对平稳的子序列.同时为了降低后续计算规模,通过引入排列熵的方法将各子序列进行重组.然后,将各个重组序列输入到TCN-LSTM组合模型中,利用TCN模型提取特征并构建序列的特征向量,再基于LSTM模型对其进行训练及预测.最后把全部预测值进行相加得到完整的预测负荷值.通过使用欧洲某地真实负荷数据进行验证.结果表明:所提算法与其他常见的预测算法相比具有更高的预测精度,可为负荷预测等研究工作提供相关参考.

关键词：自适应噪声的完备集合经验模态分解(CEEMDAN)、排列熵、时间卷积网络(TCN)、长短期记忆网络(LSTM)、短期电力负荷预测

所属期刊栏目：23

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;上海辰仕科技发展有限公司一般企事业单位资助项目

在线出版日期：2023-03-24（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：1557-1564