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

作     者：朱婷 颜七笙 

作者机构：东华理工大学经济与管理学院 东华理工大学理学院 

出 版 物：《南京信息工程大学学报》 (Journal of Nanjing University of Information Science & Technology)

年 卷 期：2025年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(71961001) 东华理工大学研究生创新基金(DHYC-202225) 

主　　题：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 

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。