基于变分模态分解的卷积神经网络-双向门控循环单元-多元线性回归多频组合短期电力负荷预测

作者：方娜; 李俊晓^*; 陈浩; 李新新

来源：现代电力, 2022, 39(04): 441-448.

DOI：10.19725/j.cnki.1007-2322.2021.0130

• 变分模态分解
• 卷积神经网络
• 双向门控循环单元
• 多元线性回归
• 负荷预测

为了有效提高电力负荷预测精度，针对电力负荷非线性、非平稳性、时序性的特点，提出了一种卷积神经网络（convolutional neural networks,CNN）、双向门控循环单元（bidirectional gated recurrent unit,BiGRU）和多元线性回归（multiple linear regression,MLR）混合的多频组合短期电力负荷预测模型。该模型先利用关联度分析得到相似日，并将其负荷组成新的数据序列，同时使用变分模态分解（variational mode decomposition,VMD）将该数据序列进行分解，并重构成高低2种频率。对于高频分量，使用CNN-BiGRU模型进行预测；低频部分则使用MLR。最后将各个模型得出的预测结果叠加，得到最终预测结果。以2006年澳大利亚真实数据为例，进行短期电力负荷预测。仿真结果表明，相比于其他网络模型，该模型具有较高的预测精度和拟合能力，是一种有效的短期负荷预测方法。

• 单位
  电子工程学院; 湖北工业大学