文献类型：期刊文章

作　　者：肖威[1,2] 方娜[1,2] 邓心[1,2]

XIAO Wei;FANG Na;DENG Xin(Hubei Key Laboratory for High-efficiency Utilization of Solar Energy and Operation Control of Energy Storage System,School of Electrical and Electronic Engineering,Hubei University of Technology,Wuhan 430068,China;Hubei Engineering Research Center for Safety Monitoring of New Energy and Power Grid Equipment,School of Electrical and Electronic Engineering,Hubei University of Technology,Wuhan 430068,China)

机构地区：[1]湖北工业大学电气与电子工程学院,太阳能高效利用及储能运行控制湖北省重点实验室,武汉430068 [2]湖北工业大学电气与电子工程学院,新能源及电网装备安全监测湖北省工程研究中心,武汉430068

出　　处：《科学技术与工程》

基　　金：国家自然科学基金青年科学基金(51809097);湖北省重点研发计划(2021BAA193)。

年　　份：2024

卷　　号：24

期　　号：16

起止页码：6734-6741

语　　种：中文

收录情况：BDHX、BDHX2023、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为了挖掘电力负荷数据中的潜藏信息,提高短期负荷预测的精度,针对电力负荷强非线性、非平稳性等特点,提出一种基于变分模态分解(variational mode decomposition,VMD)、长短时记忆神经网络(long-term and short-term memory network,LSTM)、改进的粒子群算法(improve particle swarm optimization,IPSO)和门控循环单元(gated recurrent unit neural network,GRU)的混合预测模型。首先,使用相关性分析确定输入因素,再将负荷数据运用VMD算法结合样本熵分解为一系列本征模态分量(intrinsic mode fuction,IMF)和残差量,进而合理地确定分解层数和惩罚因子;其次,根据过零率将这些量划分为低频和高频,低频分量使用LSTM网络,高频分量利用IPSO-GRU网络分别进行预测;最后,将预测结果重构得到电力负荷的最终结果。仿真结果表明:相对于其他模型,所提混合模型可有效的提取模态特征,具有更高的预测精度。

关 键 词：短期负荷预测 变分模态分解(VMD)  长短时记忆神经网络(LSTM)  门控循环单元(GRU)  改进的粒子群优化算法(IPSO)  

分 类 号：TM715]