基于聚合二次模态分解及Informer的短期负荷预测

作     者：石卓见 冉启武 徐福聪 SHI Zhuojian;RAN Qiwu;XU Fucong

作者机构：陕西理工大学电气工程学院陕西省汉中市723000 国网福建省电力有限公司福建省福州市350003 

出 版 物：《电网技术》 (Power System Technology)

年 卷 期：2024年第48卷第6期

页      面：2574-2583,I0087-I0091页

核心收录：

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

基　　金：陕西省自然科学基础研究计划项目(2023-JC-YB-442) 

主　　题：短期负荷预测 二次分解 样本熵 聚合方式比较 Informer 随机森林算法 长序列预测 

摘      要：针对区域级负荷的非平稳性及长序列预测精度低的问题,该文提出了一种基于聚合二次模态分解及Informer的短期负荷预测方法。首先,运用改进完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)对负荷序列进行初步分解,削弱原始序列的随机性与波动性;其次,根据子序列的样本熵计算结果进行聚合,并通过比较不同的聚合方式选出最优重构方案;然后,利用变分模态分解对高复杂度的合作模态函数进行二次分解;充分考虑到电价、气象等因素对负荷的影响,采用随机森林(random forest,RF)算法进行相关性分析,从而为每个子序列构建不同的高耦合度特征矩阵并输入Informer进行建模,并通过其多层次编码及稀疏多头自注意力机制等方式提高对负荷序列的预测效率;最后采用巴塞罗那区域级负荷数据集进行实例验证,结果显示所提框架有效解决了模态分解过程中的模态混叠以及高频分量问题,并且其长序列预测均方根误差相比其他经典深度学习模型最高降低了65.28%。