基于VMD-EWT-IASSP-EBILSTM的短期电力负荷预测

作者：杨健; 孙涛^*; 陈小龙; 苏坚; 姚健; 周倩

来源：科学技术与工程, 2023, 23(27): 11646-11654.

• 电力负荷
• 变分模态分解
• 经验小波变换
• 特征提取
• 高低频序列

电力系统在国家工业基础设施中起着举足轻重的作用，维持系统负荷高精度预测是保障电力系统高效供应的关键。针对负荷数据的非平稳性、随机性与非线性，负荷预测误差较大的问题，结合变分模态分解(variational mode decomposition, VMD)、经验小波变换(empirical wavelet transform, EWT)、改进的空洞卷积金字塔模块(improved atros spatial pyramid pooling, IASSP)、集成双向长短时记忆模块(ensemble BiLSTM,EBiLSTM),提出了一种短期电力负荷预测模型。为解决负荷数据的非平稳性引起的模型预测波动问题，通过变分模态分解方法与经验小波变换的结合分解为若干子序列，显著降低了原始负荷序列的复杂性；为提高模型预测精度，将分解的负荷子序列利用过零率指标划分高低频序列，在低频序列中构建一种时序依赖捕获模块EBiLSTM提取长期负荷特征，高频序列中构建特征提取模块IASSP提取局部负荷特征，最后累加各子序列的预测结果，实现电力系统负荷的短期预测。选取行业通用客观评价指标：平均绝对误差、均方根误差，在宁夏某地电站的实测数据上对比前沿算法进行仿真实验验证。结果表明，该算法平均绝对误差(mean absolute error, MAE)降低了37%～75%,具有较高的准确性与可靠性。