为提高短期电力负荷预测精度,本文提出了一种基于快照反馈机制改进的变分模态分解技术VMDSF(variational mode decomposition with a snapshot of feedback)和带有循环滑窗策略优化的长短时记忆网络CSLSTM(long short-term memory with ...为提高短期电力负荷预测精度,本文提出了一种基于快照反馈机制改进的变分模态分解技术VMDSF(variational mode decomposition with a snapshot of feedback)和带有循环滑窗策略优化的长短时记忆网络CSLSTM(long short-term memory with circular sliding window)的组合预测方法 VMDSF-CSLSTM。为降低原始序列的不稳定性及复杂性,本文首先使用VMDSF将原始电力负荷序列分解成多个子序列。然后结合网格搜索法对CSLSTM进行最优参数寻找,得到含有最优模型参数的电力负荷短期预测模型。最后,使用2013年澳大利亚4个区域的电力负荷数据集,对本文方法进行算例测试,测试结果表明了本组合模型的有效性。展开更多
文摘为提高短期电力负荷预测精度,本文提出了一种基于快照反馈机制改进的变分模态分解技术VMDSF(variational mode decomposition with a snapshot of feedback)和带有循环滑窗策略优化的长短时记忆网络CSLSTM(long short-term memory with circular sliding window)的组合预测方法 VMDSF-CSLSTM。为降低原始序列的不稳定性及复杂性,本文首先使用VMDSF将原始电力负荷序列分解成多个子序列。然后结合网格搜索法对CSLSTM进行最优参数寻找,得到含有最优模型参数的电力负荷短期预测模型。最后,使用2013年澳大利亚4个区域的电力负荷数据集,对本文方法进行算例测试,测试结果表明了本组合模型的有效性。
