基于VMD-LSTM-Attention模型的短期负荷预测研究

摘要：

针对电力负荷数据非线性强以及影响因素多等问题,提出一种基于变分模态分解(VMD)和注意力机制的长短期记忆(LSTM)网络的组合预测方法.首先通过VMD对历史负荷数据进行频率分解,分解成不同频率的分量,并在考虑不同影响因素(如温度、湿度等)的条件下,通过LSTM网络对不同模态分别进行预测,再通过自注意力机制进一步挖掘数据内部的相关性,最后将预测的不同模态分量重构相加作为预测结果.实验采用中国某地区实际用电负荷数据,经过与不同基准模型的对比和分析,验证了提出的模型提高了预测精度,具有一定的应用潜力.

关键词：深度学习、电力负荷预测、VMD、LSTM网络、注意力机制、预测精度

所属期刊栏目：46

分类号：TN919-34;TP391.4

资助基金：国网新疆电力有限公司科技项目5230WJ220005

在线出版日期：2023-09-05（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：174-178