一种经验模态分解与深度神经网络协作的短时电力负荷预测方法

• 作者: 邓真平
• 来源期刊: 西北民族大学学报（自然科学版）
• 学科: 工学
• 关键词: 电力负荷预测 非平稳特性 经验模态分解 深度神经网络
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 数理科学和化学|Mathematics Science and Chemistry
• 页码范围: 5-12
• 页数: 8页
• 分类号: TM715
• 语种: 中文
• DOI: 10.3969/j.issn.1009-2102.2022.01.003

摘要

为整体预测未来电力负荷变化趋势,提出一种基于经验模态分解和深度神经网络协作的短时电力负荷预测方法.首先为削弱原始负荷序列的非平稳特性,利用经验模态分解算法对原始负荷序列进行分解,得到各时序分量.在此基础上,构建各分量的深度神经网络预测模型,将分量的预测结果进行重构得到短时电力负荷预测曲线.利用某电厂短时负荷数据对模型的预测效果进行验证,得到其预测结果的平均绝对误差、均方根误差、平均绝对百分比误差分别为402.951 8、588.945 1、0.042 6.对比仿真进一步表明,同等条件下,基于经验模态分解和深度神经网络协作的短时电力负荷预测方法相较于单一的深度神经网络预测方法,在效果上精度更高,可用于对短时电力负荷的预测.