基于CPAGVMD的短时电力负荷预测

摘要

针对目前电力负荷序列的非线性和波动性日益增强导致电力负荷预测难度越来越大的问题，引入了食肉植物算法，并将其应用于变分模态分解的参数选择问题，从而提高变分模态分解的精准度。选用某地区的日用电量负荷数据作为电力负荷数据集进行分解。首先使用食肉植物算法对变分模态分解中的序列分解个数K和二次惩罚因子α寻优，然后将原始负荷序列分解后的各本征模态分量使用BP神经网络和长短时记忆神经网络预测，验证食肉植物算法在负荷分解领域的适用性，最终食肉植物优化变分模态分解算法的分解损失为1.086,BP神经网络和LSTM神经网络的预测值准确率分别为88.721%和95.959%,实验表明该方法适用于短时电力负荷预测领域，而且其分解效率更好，预测精度更高。

关键词

负荷预测 / 食肉植物算法 / 变分模态分解 / LSTM神经网络 / 电网规划