基于特征筛选的VMD-MIC-SSA-Informer短期负荷预测

作者：余帆; 王磊^*; 江巧永; 闫群民; 皇金锋

来源：陕西科技大学学报, 2022, 40(05): 191-203.

DOI：10.19481/j.cnki.issn2096-398x.2022.05.001

• 智能电网
• 负荷预测
• 机器学习
• 深度学习
• 特征筛选

对短期负荷进行准确、快速的预测有利于电力系统的安全稳定运行，故提出一种基于特征筛选的Informer短期负荷预测模型.针对短期负荷序列波动性大、随机性强的特点，利用变分模态分解(Variational Mode Decomposition, VMD)将原始负荷序列分解为不同频率的本征模函数(Intrinsic Model Function, IMF);考虑气象、地理、电价等影响因素，采用最大信息系数(Maximal Information Coefficient, MIC)对各IMF进行特征筛选；针对传统深度学习模型无法并行化、预测精度低的问题，应用了前沿的Informer模型进行短期负荷预测，同时利用了新颖的麻雀搜索算法(Sparrow Search Algorithm, SSA)进行模型参数优化.以西班牙区域级负荷数据为实例，同多层感知机(Multilayer Perceptron, MLP)、长短时记忆神经网络(Long Short-term Memory Neural Network, LSTM)和门控循环单元(Gated Recurrent Unit, GRU)进行横向与纵向实验对比，结果表明，提出的模型预测精度更高，平均绝对百分比误差低于1%.

• 单位
  西安理工大学; 陕西理工大学