面向多种电力物资需求的时序预测模型研究

摘要

针对电力物资需求序列的强非平稳性与高度非线性特征，提出一种融合变分模态分解与卷积神经网络–长短期记忆网络的时序预测模型。先利用变分模态分解将原始序列分解为若干平稳的本征模态分量，再经并行卷积神经网络–长短期记忆网络架构提取局部特征与长程依赖关系，并进行加性重构。实验表明，与基准卷积神经网络–长短期记忆网络相比，模型在测试集上的均方误差、均方根误差和平均绝对误差分别降低61.49%、37.94%和36.03%，决定系数达0.899 4。对钢芯铝绞线以及干式变压器、低压熔断器（A、B物资）等多类不同属性物资的多样本进行进一步验证，结果表明模型具有良好的跨场景泛化能力，可为电网供应链的精细化资源配置提供科学决策依据。

关键词

电力物资需求预测 / 变分模态分解 / 卷积神经网络 / 长短期记忆网络 / 多样本验证