科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对电力负荷数据存在的波动性、非平稳性而导致预测精度低的问题，提出一种具有二次分解重构策略的深度学习电力负荷预测模型。首先，对负荷数据进行基于局部加权回归的周期趋势分解(STL)-改进的自适应噪声完备集合经验模态分解(ICEEMDAN)二次分解，通过计算样本熵和最大信息数对分量进行重构；然后在Informer模型中引入非平稳性机制，并融合卷积神经网络对重构分量进行预测；最后，将各分量的预测结果线性相加，得到最终预测结果。实验结果表明，所提方法在3个评价指标上的预测误差均低于所对比模型，证明该预测方法可以有效降低数据的非平稳性并提高预测精度。
- 单位
