基于EMD-SLSTM的家庭短期负荷预测

• 作者: 刘建华 刘艳梅 张屹修 李锦程 杨龙月 闫耀双
• 来源期刊: 电力系统保护与控制
• 关键词: 家庭短期负荷预测 深度学习 堆栈式长短期记忆网络 经验模式分解 时间序列
• 年，卷（期）: 2019,（6）
• 所属期刊栏目: 理论分析
• 页码范围: 40-47
• 页数: 8页
• 字数: 4408字
• 语种: 中文
• DOI: 10.7667/PSPC180365

摘要

针对非平稳的家庭短期负荷数据,直接套用预测模型难以挖掘出更深层次的时序特征.提出一种经验模式分解(Empirical Mode Decomposition,EMD)和堆栈式长短期记忆(Stack Long Short-term Memory,SLSTM)的组合算法应用于家庭短期负荷预测.首先分析了SLSTM和EMD原理,提出EMD-SLSTM组合预测模型.将负荷数据通过EMD算法进行分解,然后将分解后的分量数据分别转化为三维数据样本.通过设计SLSTM网络架构及其参数,对归一化的分量数据和原始数据分别进行预测建模及其重构.为显示算法预测性能,实验对比了支持向量回归、人工神经网络、深度神经网络、梯度提升回归等模型在两种情景下的性能,采用MAPE和RMSE性能度量进行验证.实验结果表明EMD-SLSTM更能有效地表达出家庭短期负荷的时序关系,具有更高的预测精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘建华	中国矿业大学电气与动力工程学院	95	735	15.0	23.0
2	杨龙月	中国矿业大学电气与动力工程学院	11	122	5.0	11.0
3	刘艳梅	中国矿业大学电气与动力工程学院	2	16	2.0	2.0
4	李锦程	中国矿业大学电气与动力工程学院	2	16	2.0	2.0
5	张屹修	中国矿业大学电气与动力工程学院	2	16	2.0	2.0
6	闫耀双	中国矿业大学电气与动力工程学院	1	12	1.0	1.0