基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法
Short-Term Power Load Forecasting Method Based on CEEMDAN and LSTM-Attention Network作者机构:华北电力大学控制与计算机工程学院北京市102206
出 版 物:《电力建设》 (Electric Power Construction)
年 卷 期:2022年第43卷第2期
页 面:98-108页
核心收录:
学科分类:0808[工学-电气工程] 080802[工学-电力系统及其自动化] 08[工学]
基 金:中央高校基本科研业务费专项资金资助项目(2018QN052)。
主 题:负荷预测 长短期记忆神经(LSTM)网络 注意力机制 经验模态分解(EMD) 边界效应
摘 要:短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism,LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。