基于CEEMDAN和HBA-BiGRU-SelfAttention的短期负荷预测

摘要

针对电力负荷数据存在非线性、时序性等多方面因素导致的预测精度不足等问题，本文提出一种基于CEEMDAN和HBA-BiGRU-SelfAttention的短期负荷预测模型.首先，采用随机森林(RF)算法对气象因素进行特征提取，在保证数据特征的同时，降低数据的复杂度；其次，采用自适应噪声完备集合经验模态分解(CEEMDAN)算法对原始负荷数据进行分解，得到若干较为平稳的模态分量；然后，将经过特征提取的气象因素和模态分量作为输入数据，利用BiGRU(双向门控循环单元)-SelfAttention(自注意力机制)模型进行预测，并针对BiGRU-SelfAttention模型的超参数难以选取最优解的问题，引入蜜獾算法(HBA)对BiGRU-SelfAttention模型的超参数进行寻优；最后，将子序列预测结果叠加，得到最终预测结果.以某地实际电力负荷数据为数据集进行对比试验，结果表明，本文所提出的模型具有较高的预测精度，可以为电力系统稳定运行提供可靠依据.

关键词

短期负荷预测 / 随机森林 / 自适应噪声完备集合经验模态分解 / 蜜獾算法 / 双向门控循环单元 / 自注意力机制