文献类型：期刊文章

作　　者：刘建华[1] 李锦程[1] 杨龙月[1] 闫耀双[1] 刘艳梅[1] 张屹修[1]

LIU Jianhua;LI Jincheng;YANG Longyue;YAN Yaoshuang;LIU Yanmei;ZHANG Yixiu(School of Electrical and Power Engineering,China University of Mining and Technology,Xuzhou 221008,China)

机构地区：[1]中国矿业大学电气与动力工程学院,江苏徐州221008

出　　处：《电力系统保护与控制》

基　　金：青年科学基金项目资助(51607179)~~

年　　份：2019

卷　　号：47

期　　号：6

起止页码：40-47

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：针对非平稳的家庭短期负荷数据,直接套用预测模型难以挖掘出更深层次的时序特征。提出一种经验模式分解(Empirical Mode Decomposition, EMD)和堆栈式长短期记忆(Stack Long Short-term Memory, SLSTM)的组合算法应用于家庭短期负荷预测。首先分析了SLSTM和EMD原理,提出EMD-SLSTM组合预测模型。将负荷数据通过EMD算法进行分解,然后将分解后的分量数据分别转化为三维数据样本。通过设计SLSTM网络架构及其参数,对归一化的分量数据和原始数据分别进行预测建模及其重构。为显示算法预测性能,实验对比了支持向量回归、人工神经网络、深度神经网络、梯度提升回归等模型在两种情景下的性能,采用MAPE和RMSE性能度量进行验证。实验结果表明EMD-SLSTM更能有效地表达出家庭短期负荷的时序关系,具有更高的预测精度。

关 键 词：家庭短期负荷预测  深度学习  堆栈式长短期记忆网络  经验模式分解 时间序列  

分 类 号：TM715]