针对电力负荷时序变化非线性和多周期性特点，提出一种基于分解-预测-重构框架的CVMD-GRU-DenseNet短期负荷预测方法。分解阶段依据子序列间的相关熵确定VMD最佳分解数，提高负荷序列分解质量；预测阶段针对各子序列特点筛选输入特征，规律性强的低频分量采用GRU神经网络预测模型，强随机性的高频分量采用DenseNet神经网络预测模型；最后将各分量的预测结果重构为负荷预测曲线。湖北某市四季的实际负荷算例结果表明，该方法能有效提高短期负荷预测精度，并具有较强的泛化能力。
科研之友
微信
新浪微博
Facebook
分享链接
