控制理论与应用

作者：祁宇轩,范俊岩,吴定会,汪晶

单位：江南大学,江南大学,江南大学,上海宝信软件有限公司

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

基金：国家重点研发项目(2020YFB1711100, 2020YFB1711102)资助.

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.

来源：2024年第12期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2024年第12期