基于Stacking融合的LSTM-SA-RBF短期负荷预测

摘要

为了解决单个神经网络预测的局限性和时间序列的波动性，提出了一种奇异谱分析(singular spectrum analysis, SSA)和Stacking框架相结合的短期负荷预测方法。利用随机森林筛选出与历史负荷相关性强烈的特征因素，采用SSA为负荷数据降噪，简化模型计算过程；基于Stacking框架，结合长短期记忆(long and short-term memory, LSTM)-自注意力机制(self-attention mechanism, SA)、径向基(radial base functions, RBF)神经网络和线性回归方法集成新的组合模型，同时利用交叉验证方法避免模型过拟合；选取PJM和澳大利亚电力负荷数据集进行验证。仿真结果表明，与其他模型比较，所提模型预测精度高。

关键词

奇异谱分析 / stacking算法 / 长短期记忆网络 / 径向基神经网络 / 短期负荷预测