10.3969/j.issn.1000-386x.2022.07.009
基于SAE与CEEMDAN-BiLSTM组合模型的短期电力负荷预测
单一模型在迭代训练过程中由于模型的自身误差,最终会降低预测精度.为了提高预测的准确性,引入完整集成经验模态分解-双向长短期记忆网络(CEEMDAN-BiLSTM)作为误差修正模型,提出一种栈式自编码器(SAE)与CEEMDAN-BiLSTM相结合的负荷预测模型.通过SAE模型学习气象因素、工作日类型、气温影响下负荷序列的主要特征,预测过程中产生的误差序列则反映了负荷序列的次要特征;使用CEEMDAN算法将误差序列分解为数个分量,针对每一项分量建立BiLSTM模型学习误差序列的时序特征,将各项分量的预测值累加得到误差的预测结果;将两种模型的预测值求和从而达到修正误差的目的.通过比较几种模型的预测结果表明:SAE与CEEMDAN-BiLSTM组合模型应用在短期电力负荷预测具有更好的准确性与稳定性.
短期电力系统负荷预测、栈式自编码器、CEEMDAN、双向长短期记忆网络
39
TP3(计算技术、计算机技术)
上海市高峰高原学科项目;上海市自然科学基金
2022-08-19（万方平台首次上网日期，不代表论文的发表时间）
共7页
52-58
