基于优化VMD与TCN-ISE-Pyraformer的短期电力负荷预测

摘要

针对传统预测模型在捕捉多特征负荷数据时难以兼顾全局和局部特征的问题，提出一种基于麻雀搜索算法(SSA)优化变分模态分解(VMD)与改进挤压–激励(ISE)模块、时序卷积网络(TCN)和Pyraformer的组合预测模型。首先，采用SSA优化VMD参数，将波动性较强的动态负荷序列分解为多个平稳的模态分量，以降低原始数据的非平稳性；随后，将分解得到的本征模态函数输入TCN以提取局部特征，并通过ISE模块自适应分配权重，有效抑制噪声干扰；最后，将加权后的特征输入Pyraformer以捕获全局特征，并输出最终的预测结果。为验证模型性能，采用2个地区的真实电力负荷数据集进行仿真实验。结果表明：在2个算例中，该模型的决定系数分别达0.994 9与0.984 2，均优于对比模型。这一结果验证了所提模型在同时捕捉多特征负荷数据全局和局部特征方面的优势，展现出更高的预测精度和稳定性。

关键词

短期电力负荷预测 / 时序卷积网络 / Pyraformer / ISE模块 / 变分模态分解 / 麻雀搜索算法 / 金字塔注意力模型