文献类型：期刊文章

作　　者：伍骏杰[1,2] 张倩[1,3] 陈凡[4] 李国丽[1,5]

WU Jun-jie;ZHANG Qian;CHEN Fan;LI Guo-li(School of Electrical Engineering and Automation, Anhui University, Hefei 230601, China;Collaborative Innovation Center of Industrial Energy-Saving and Power Quality Control, Anhui University, Hefei 230601, China;Engineering Research Center of Power Quality, Ministry of Education, Anhui University, Hefei 230601, China;State Grid Anhui Electric Power Co., Ltd. Electric Power Research Institute, Hefei 230601, China;Anhui Industrial Power Saving and Electricity Safety Laboratory, Anhui University, Hefei 230601, China)

机构地区：[1]安徽大学电气工程及自动化学院,合肥230601 [2]安徽大学工业节电与电能质量控制协同创新中心,合肥230601 [3]安徽大学教育部电能质量工程研究中心,合肥230601 [4]国网安徽省电力有限公司科学研究院,合肥230601 [5]安徽大学工业节电与用电安全安徽省重点实验室,合肥230601

出　　处：《科学技术与工程》

基　　金：国家自然科学基金(52077001)。

年　　份：2022

卷　　号：22

期　　号：12

起止页码：4828-4834

语　　种：中文

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

摘　　要：精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解(variational mode decomposition,VMD)和长短期记忆神经网络(long short-term memory,LSTM)结合的短期负荷预测模型,并使用支持向量回归(support vector regression,SVR)构建修正后的误差序列对初始预测序列补偿。首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果。通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性。

关 键 词：短期负荷预测 变分模态分解(VMD)  长短期记忆神经网络(LSTM)  支持向量回归(SVR)  误差修正  

分 类 号：TM715]