基于EMD-LSTM模型的台区负荷短期预测方法

• 作者: 王荣茂 谢宁 于海洋 禹加 蒋蕾 杨宏宇
• 来源期刊: 实验室研究与探索
• 学科: 工学
• 关键词: 短期负荷预测 经验模态分解 长短记忆神经网络 相关性分析
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 实验技术|Experimental Technology
• 页码范围: 62-66,79
• 页数: 6页
• 分类号: TM7
• 语种: 中文
• DOI: 10.19927/j.cnki.syyt.2022.01.013

摘要

深度学习算法是目前台区负荷预测的主要方法.为解决深度学习方法在逻辑拟合、特征冗余方面的问题,提出一种基于经验模态分解和长短记忆神经网络算法的短期台区负荷预测模型.利用经验模态分解将台区负荷分解为多个本征模函数,使用相关性分析法从特征集合中选择各本征模函数的特征子集,用长短记忆神经网络对这些本征模函数分别进行预测.最后采用某地市台区历史数据对提出的预测方法进行了验证,结果表明,提出的方法较目前主流的深度学习算法具有更高的预测精确度和较低的训练时间.