文献类型：期刊文章

作　　者：邓带雨[1] 李坚[1] 张真源[1] 滕予非[2] 黄琦[1]

DENG Daiyu;LI Jian;ZHANG Zhenyuan;TENG Yufei;HUANG Qi(School of Mechanical and Electrical Engineering,University of Electronic Science and Technology of China,Chengdu 611731,Sichuan Province,China;State Grid Sichuan Electric Power Research Institute,Chengdu 610072,Sichuan Province,China)

机构地区：[1]电子科技大学机械与电气工程学院,四川省成都市611731 [2]国网四川省电力公司电力科学研究院,四川省成都市610072

出　　处：《电网技术》

基　　金：国家重点研发计划项目(2017YFB0902000);国家自然科学基金项目(61503063).

年　　份：2020

卷　　号：44

期　　号：2

起止页码：593-602

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对电力负荷随机性较强,预测精度不高的问题,通过构建集合经验模态分解(ensembleempiricalmode decomposition,EEMD)以及门控循环单元神经网络(gated recurrent unit neural network,GRU)和多元线性回归(multiple linearregression,MLR)组合而成的EEMD-GRU-MLR(EGM)预测方法,有效提高了电力负荷短期预测精度。首先通过集合经验模态分解将电力负荷数据分解为频率由高到低的不同本征模态函数(intrinsicmodefunctions,IMF),不同频率的本征模态函数分量代表了电力负荷不同的部分特征,随后分别使用多元线性回归方法和GRU神经网络方法对低频部分和高频部分进行快速准确的预测,最后将所得各预测结果组合后得到完整的预测结果。EGM预测方法不但能够对电力负荷的变化趋势进行有效预测,而且能够准确预测随机性较强的局部特征。最后通过实验验证,该方法有效地提高了负荷预测精度。

关 键 词：短期电力负荷预测 集合经验模态分解  GRU神经网络  多元线性回归

分 类 号：TM715]