基于变分模态分解的卷积长短时记忆网络短期电力负荷预测方法

摘要

电力负荷序列易受多重外部因素影响而呈现复杂性，不利于精准预测。为此，提出一种基于变分模态分解（variational mode decomposition,VMD）的卷积神经网络和长短期记忆网络（convolutional neural network and long short-term memory network,CNN-LSTM）相结合的短期电力负荷并行预测方法。先采用VMD将负荷数据分解为规律性强的各本征模态函数（intrinsic mode function,IMF）及残差；再将各分量分别输入到各自对应的CNN-LSTM混合预测网络，获得各初始预测值，并将该值与由气候、日期类型等组合得到的相关因素特征集相结合，进一步得出修正预测值；最终，叠加各分量修正预测值即得到完整预测结果。在实际负荷数据上做验证分析，结果表明，考虑相关外部因素特征集后日负荷预测平均相对误差均值可降低2.18%。与几种常规负荷预测方法进行效果对比，验证了该方法的有效性和可行性。

关键词

短期负荷预测 / 变分模态分解 / 卷积神经网络 / 长短期记忆网络 / 相关因素特征集