基于长短期记忆神经网络组合算法的短期电力负荷预测

作者：王子乐; 王子谋; 蔡莹; 谭晶; 黄弦超^*

来源：现代电力, 2023, 40(02): 201-209.

DOI：10.19725/j.cnki.1007-2322.2021.0293

• 短期负荷预测
• 互补集合经验模态分解
• 长短时记忆神经网络
• 贝叶斯优化
• 多元线性回归

短期电力负荷具有不平稳、随机性强等特点，传统的负荷预测方法在建模中常表现出一定的局限性。为提高预测精度，提出了一种基于互补集合经验模态分解(complement-ary ensemble empirical mode decomposition, CEEMD)、长短期记忆(long short-term memory, LSTM)神经网络和多元线性回归(multiple linear regression, MLR)方法组合而成的CEEMD-LSTM-MLR短期电力负荷预测方法。首先将电力负荷数据通过CEEMD分解为高频分量和低频分量；将复杂的高频分量通过经贝叶斯优化的LSTM神经网络进行预测，周期性的低频分量通过MLR方法进行预测，最后将各分量叠加重构得到最终预测结果。通过算例分析，一方面将不同分解方法进行对比，一方面将不同模型进行对比并探究贝叶斯调参对结果的影响，验证了所提模型更具可靠性与准确性。

• 单位
  广州供电局; 华北电力大学; 广东电网有限责任公司; 电子工程学院