优化变分模态分解和BiLSTM结合的短期负荷预测

摘要

精准的短期电力负荷预测对电网的安全稳定运行与调度至关重要。然而，由于短期负荷数据通常呈现出强波动性与高频噪声等非平稳特征，传统模型难以深度挖掘其内部的时序规律，导致预测精度偏低。针对这一问题，提出一种结合自适应权重粒子群优化(adaptive weight particle swarm optimization, AWPSO)、变分模态分解(variational mode decomposition, VMD)与双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)的VMD-AWPSO-BiLSTM预测模型。该方法通过AWPSO优化VMD参数，对负荷数据进行模态分解，减少数据波动性；然后利用BiLSTM模型对各模态分量进行精准预测，从而有效降低噪声对预测的影响。在实验中，选用2015年1月1日至2023年12月31日的比利时用电数据作为数据集，分别对一周和一天的电力负荷进行测试。结果表明，相较于其他传统方法，所提出的VMD-AWPSO-BiLSTM在一周和一天的测试中，均方根误差(root mean square error, RMSE)最优值分别提高了73.67%和89.23%,显著提升了预测精度。

关键词

电力负荷预测 / 粒子群优化 / 变分模态分解 / 双向长短期记忆网络 / 参数优化

基金资助

国网四川省电力公司科技项目(521910230001); 中国博士后科学基金资助项目(2021M693930)