基于相似日与BiLSTM组合的短期电力负荷预测

• 作者: 祁宇轩 范俊岩 吴定会 汪晶 .江南大学轻工过程先进控制教育部重点实验室 .上海宝信软件有限公司
• 来源期刊: 控制理论与应用
• 学科: 工学
• 关键词: 短期电力负荷预测;相似日;深度学习;鲸鱼优化算法;变分模态分解
• 年，卷（期）: 2025,（12）
• 页码范围: 116-126
• 页数: 11页
• 语种: 中文

摘要

短期电力负荷存在非线性、波动性和影响因素多等特征,针对以上特征所导致的预测精度不足,本文提出一种基于相似日与双向长短时记忆神经网络(BiLSTM)组合的短期电力负荷预测模型.首先,剖析电力负荷的动态变化机理,基于相似日和灰色关联分析方法,构建负荷与特征融合数据集;其次,采用变分模态分解(VMD)方法将高波动、非线性的原始负荷数据分解为多个相对平稳的分量,并对各分量分别搭建BiLSTM预测模型;最后,采用鲸鱼算法(WOA)对模型的分解参数和相似日天数进行优化,减小模型的固有误差.以新英格兰某地区的实际数据进行仿真验证,所提模型的平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)分别为0.58%, 42,78,均优于对照模型,有效提升了负荷预测精度.