文献类型：期刊文章

作　　者：张未[1,2] 余成波[1,2] 王士彬[3] 李涛[4] 何鑫[1,2] 陈佳[1,2]

ZHANG Wei;YU Chengbo;WANG Shibin;LI Tao;HE Xin;CHEN Jia(College of Electrical and Electronic Engineering,Chongqing University of Technology,Chongqing 400045,China;Chongqing Energy Internet Engineering Technology Research Center,Chongqing 400045,China;State Grid Chongqing Shinan Electric Power Supply Branch,Chongqing 401336,China;State Grid Suining Electric Power Supply Company,Suining,Sichuan 629000,China)

机构地区：[1]重庆理工大学电气与电子工程学院,重庆400045 [2]重庆市能源互联网工程技术研究中心,重庆400045 [3]国网重庆市电力公司市南供电分公司,重庆401336 [4]国网四川省电力公司遂宁供电公司,四川遂宁629000

出　　处：《南方电网技术》

基　　金：国家自然科学基金资助项目(61976030)。

年　　份：2023

卷　　号：17

期　　号：2

起止页码：74-81

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：针对目前多特征电力负荷预测精度不准的问题,为充分挖掘电力负荷数据中的时序信息、天气信息等特征信息,提出了一种基于变分模态分解(variational mode decomposition,VMD)的长短期记忆(long short-term memory,LSTM)神经网络与轻量级梯度提升机(light gradient boosting machine,LightGBM)预测模型,优化负荷数据非线性、非平稳、长记忆等问题,解决了多特征预测提取特征信息差的问题。该方法首先用VMD分解代表不同尺度的特征模态分量,降低了原始序列的不平稳度,同时分解的残差量代表负荷数据强非线性部分,通过特征性强的算法进行预测,将各模态分量通过LSTM的单特征预测,再将各个分量加入多特征利用LightGBM进行负荷预测。通过与目前多特征电力负荷预测模型进行对比实验,平均绝对误差(mean absolute error,MAE)值仅为其23%~73%,平均绝对百分比误差(mean absolute percentage error,MAPE)值能达到0.37%,具有更好的预测精度。

关 键 词：多特征  变分模态分解(VMD)  长短期记忆(LSTM)  轻量级梯度提升机(LightGBM)  短期负荷预测 残差量  

分 类 号：TM715]