基于二次混合模态分解和LSTM-MFO算法的短期负荷预测

作者：黄晨宏; 李昆鹏; 郑真; 马小丽; 颜华敏; 田书欣

来源：电器与能效管理技术, 2022, (09): 66-73.

DOI：10.16628/j.cnki.2095-8188.2022.09.010

• 短期负荷预测
• 长短时记忆神经网络
• 飞蛾扑火优化算法
• 混合模态分解
• 不确定性

高精度短期负荷预测是配电网运行态势感知的基础。为了充分挖掘电力负荷中的复杂不确定信息，提出了一种融合二次混合模态分解和基于飞蛾扑火优化(MFO)算法的长短时记忆神经网络(LSTM)的短期负荷预测方法。首先，将集成经验模态分解(EEMD)和变分模态分解(VMD)相结合，提取负荷中相对稳定的子序列及趋势序列，以降低高频序列中无序不确定性对预测精度的影响；然后，引入基于MFO参数寻优的LSTM预测模型，进而利用LSTM-MFO算法实现对含各子序列短期负荷变化趋势的精确预测。最后，采用某实际配电网节点负荷序列，验证了所提方法的泛化能力和预测精度。

• 单位
  国网上海市电力公司; 上海电力大学