基于VMD-CNN-BiLSTM-CBAM的配变短期负荷预测方法

作     者：何晔 殷若宸 陆之洋 徐小东 徐玉韬 HE Ye;YIN Ruochen;LU Zhiyang;XU Xiaodong;XU Yutao

作者机构：贵州电网有限责任公司安顺供电局贵州安顺561000 贵州大学贵州贵阳550025 贵州电网有限责任公司电力科学研究院贵州贵阳550002 

出 版 物：《电力大数据》 (Power Systems and Big Data)

年 卷 期：2024年第27卷第6期

页      面：1-10页

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：国家重点研发计划项目(2022YFE0205300) 国家自然科学基金(52367005) 

主　　题：配电变压器 短期负荷预测 变分模态分解 卷积神经网络 双向长短时记忆网络 卷积块注意力机制 

摘      要：随着智能电网的发展,配变重过载预警的准确性对于维持电网稳定运行至关重要。本文提出了一种新的基于VMD-CNN-BiLSTM-CBAM模型的配变短期负荷预测方法,旨在提高预警准确性。该方法首先运用K均值聚类算法筛选出相似日,并利用变分模态分解(variational mode decomposition,VMD)对相似日的负荷数据进行分解,得到一系列内在模态函数(intrinsic mode function,IMF)分量。随后,各IMF分量通过结合卷积神经网络(convolutional neural network,CNN)、双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)和卷积块注意力机制(convolutional block attention module,CBAM)的混合模型进行特征学习和预测。最终,使用样本熵理论将预测得到的各IMF分量重构合成,获得配变的预测日负荷曲线。实验结果表明,本文提出的方法在预测精度上有明显提升,为配变重过载预警提供了有效的技术支撑。