文献类型：期刊文章

作　　者：杨胡萍[1] 余阳[2] 汪超[1] 李向军[3] 胡奕涛[1] 饶楚楚[1]

YANG Huping;YU Yang;WANG Chao;LI Xiangjun;HU Yitao;RAO Chuchu(School of Information Engineering,Nanchang University,Nanchang 330031,China;Zhaoqing Power Supply Bureau of Guangdong Power Grid Co.,Ltd.,Zhaoqing 526040,China;School of Software,Nanchang University,Nanchang 330031,China)

机构地区：[1]南昌大学信息工程学院,江西南昌330031 [2]广东电网有限责任公司肇庆供电局,广东肇庆526040 [3]南昌大学软件学院,江西南昌330031

出　　处：《中国电力》

基　　金：国家自然科学基金资助项目(61862042);国网江西省电力有限公司南昌市昌北供电分公司科技项目(CX202105280048)。

年　　份：2022

卷　　号：55

期　　号：10

起止页码：71-76

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、DOAJ、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为提高负荷预测精度,考虑了历史负荷本身内在规律及外部影响因素,提出一种基于变分模态分解(variational modal decomposition,VMD)–卷积神经网络(convolutional neural networks,CNN)–双向门控循环单元(bi-directional gated recurrent unit,BIGRU)混合网络的短期负荷预测方法,改善了训练时长和预测效果。通过仿真分析验证了所提方法的有效性,且该方法与其他模型相比有更高的负荷预测精度和更强的鲁棒性,能够提高电力系统短期负荷预测的精确度。

关 键 词：短期负荷预测 变分模态分解  卷积神经网络 双向门控循环单元  

分 类 号：TM715]