文献类型：期刊文章

作　　者：张震[1] 李孟洲[2] 李浩方[3] 马军强[4]

ZHANG Zhen;LI Meng-zhou;LI Hao-fang;MA Jun-qiang(School of Electrical Engineering,Zhengzhou University,Zhengzhou 450001,China;Jiaozuo Power Supply Company,State Grid Henan Electric Power Company,Jiaozuo 454003,China;State Grid Henan DC Transportation Inspection Branch,Zhengzhou 450000,China;State Grid Zhejiang Shengzhou Power Supply Co.,Ltd.,Shaoxing 312499,China)

机构地区：[1]郑州大学电气工程学院,河南郑州450001 [2]国网河南省电力公司焦作供电公司,河南焦作454003 [3]国网河南直流运检分公司,河南郑州450000 [4]国网浙江嵊州市供电公司,浙江绍兴312499

出　　处：《水电能源科学》

基　　金：国家重点研发计划(2018YFC0824XXX)。

年　　份：2021

卷　　号：39

期　　号：10

起止页码：208-212

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、RCCSE、ZGKJHX、核心刊

摘　　要：针对短期电力负荷预测精度不高的问题,提出集合变分模态分解(VMD)、长短期记忆(LSTM)网络及多元线性回归(MLR)的VMD-LSTM-MLR预测方法。先使用VMD将电力负荷数据分解为特征、频率均不同的本征模态函数,然后用LSTM对高频部分进行预测,用MLR对低频部分进行预测,最后将LSTM与MLR得到的预测结果进行叠加,获得完整的预测结果。使用VMD-LSTM-MLR预测方法对江苏省某市电力负荷数据进行预测,验证了VMD-LSTM-MLR在预测电力负荷数据上有较高的精度,其平均绝对百分比误差MAPE、均方根误差RMSE均低于目前比较典型的改进算法,以及所列举的4种组合算法。

关 键 词：电力负荷预测 VMD  LSTM  MLR 本征模态函数  

分 类 号：TM721]