Suzhou Electric Appliance Research Institute
期刊號： CN32-1800/TM| ISSN1007-3175

Article retrieval

文章檢索

首頁 >> 文章檢索 >> 往年索引

基于CEEMDAN-LSTM-CNN網(wǎng)絡(luò)的短期電力負荷預測

來源：電工電氣發(fā)布時間：2023-07-01 11:01 瀏覽次數(shù)：311

基于CEEMDAN-LSTM-CNN網(wǎng)絡(luò)的短期電力負荷預測

簡定輝，李萍，黃宇航，梁志洋
(寧夏大學 物理與電子電氣工程學院，寧夏 銀川 750021)
 
    摘 要：短期電力負荷隨機性和波動性較強，傳統(tǒng)的負荷預測方法難以掌握短期負荷變化的規(guī)律。為提高短期電力負荷預測精度，提出一種融合自適應(yīng)噪聲完備集合經(jīng)驗模態(tài)分解 (CEEMDAN)、長短時記憶 (LSTM) 網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò) (CNN) 的短期電力負荷預測方法。從數(shù)據(jù)集中提取原始負荷序列，利用 CEEMDAN 將其分解為多個固有模式函數(shù) (IMF)，降低其非穩(wěn)定性；采用 LSTM 網(wǎng)絡(luò)分析各分量時序特征，獲得多個預測結(jié)果；將各預測結(jié)果疊加后通過 CNN 和全連接層分別進行特征提取和數(shù)據(jù)特征學習，獲得最終負荷預測結(jié)果。將所提方法分別與基準模型及其他文獻方法通過實際算例進行對比分析，結(jié)果表明，所提方法能夠準確掌握負荷變化的規(guī)律，且在一天負荷預測問題中精度達到97.32%。
    關(guān)鍵詞： 電力負荷預測；自適應(yīng)噪聲完備集合經(jīng)驗模態(tài)分解；長短時記憶網(wǎng)絡(luò)；卷積神經(jīng)網(wǎng)絡(luò)；皮爾遜相關(guān)系數(shù)
    中圖分類號：TM715     文獻標識碼：A     文章編號：1007-3175(2023)06-0001-06
 
Short-Term Power Load Forecasting Based on
CEEMDAN-LSTM-CNN Network
 
JIAN Ding-hui, LI Ping, HUANG Yu-hang, LIANG Zhi-yang
（School of Physics and Electronic-Electrical Engineering, Ningxia University, Yinchuan 750021, China）
 
    Abstract: The randomness and fluctuation of short-term power load are strong, which makes the traditional power load forecasting method difficult to grasp the rule of short-term load variation. In order to increase the accuracy of short-term power load forecasting, the paper puts forward a new short-term power load forecasting method with the combination of Complete Ensemble Empirical Mode Decomposition with Adaptive Noise(CEEMDAN), Long Short-Term Memory(LSTM) network and Convolutional Neural Network(CNN). It first extracts original load series from dataset and uses CEEMDAN to decompose them into several Intrinsic Mode Functions(IMF), decreasing their non-stability.Then, LSTM network is adopted to analyze quantified time series characteristics to achieve several forecasting results. Thirdly, after superimposing these forecasting results, CNN and the fully connected layer are used to extract features and learn date features respectively to obtain the final power load forecasting results. The proposed method is compared with the benchmark model and other literature methods by practical examples. The results show that it can accurately grasp the rule of load variation, and the accuracy of the daily load prediction problems reaches 97.32%.
    Key words: power load forecasting; CEEMDAN; LSTM; CNN; Pearson correlation coefficient
 
參考文獻
[1] 董彥軍，王曉甜，馬紅明，等. 基于隨機森林與長短期記憶網(wǎng)絡(luò)的電力負荷預測方法[J] . 全球能源互聯(lián)網(wǎng)，2022，5(2)：147-156.
[2] 何心毅，郎勁，張顏顏，等. 基于改進長短期記憶神經(jīng)網(wǎng)絡(luò)的鋼鐵企業(yè)電力負荷預測方法[J] . 冶金自動化，2022，46(3)：48-56.
[3] 李焱，賈雅君，李磊，等. 基于隨機森林算法的短期電力負荷預測[J] . 電力系統(tǒng)保護與控制，2020，48(21)：117-124.
[4] 胡怡霜，夏翔，丁一，等. 基于因子和趨勢分析反饋的多元回歸負荷預測[J] . 電力需求側(cè)管理，2018，20(6)：22-25.
[5] 朱健安，魏云冰，朱鵬杰，等. 基于優(yōu)化灰色傅里葉殘差修正的中長期負荷預測[J] . 電子科技，2021，34(12)：49-55.
[6] 呂留根，羅義英，黃晨. 基于輻射時間序列法的房間空調(diào)負荷實驗研究[J] . 科技通報，2019，35(2)：150-154.
[7] 剛文龍，陳希輝，肖紫薇. 基于隨機森林的空調(diào)冷負荷逆向分解方法[J] . 煤氣與熱力，2022，42(5)：22-26.
[8] 蘇顏，張珍，林慶達，等. 基于 BP 神經(jīng)網(wǎng)絡(luò)算法的短期電力負荷預測研究[J] . 電子設(shè)計工程，2022，30(12)：167-170.
[9] 鐘勁松，王少林，冉懿，等. 基于互信息和 LSTM 的用戶負荷短期預測[J] . 電力建設(shè)，2022，43(7)：96-102.
[10] 劉月峰，楊宇慧. 基于 CNN-LSTM 的短期電力負荷預測研究[J]. 科技創(chuàng)新與應(yīng)用，2020(1)：84-85.
[11] 王榮茂，謝寧，于海洋，等. 基于 EMD-LSTM 模型的臺區(qū)負荷短期預測方法[J] . 實驗室研究與探索，2022，41(1)：62-66.
[12] 秦光宇，閆慶友，朱敬堯. 短期電力負荷預測模型及其應(yīng)用研究[J] . 價格理論與實踐，2020(2)：75-78.
[13] 沈富鑫，邴其春，張偉健，等. 基于 CEEMD-GRU 組合模型的快速路短時交通流預測[J] . 河北科技大學學報，2021，42(5)：454-461.
[14] 谷凱文，魏霞，黃德啟，等. 基于 CEEMDAN-MFO-RBF 的風電功率短期預測[J]. 新疆大學學報(自然科學版)(中英文)，2022，39(1)：111-118.
[15] 萬磊，余飛，魯統(tǒng)偉，等. 基于 CEEMDAN-CNN-GRU 組合模型的短期負荷預測方法[J] . 河北科技大學學報，2022，43(2)：154-161.
[16] 方娜，余俊杰，李俊曉，等. 基于 CNN-BIGRU-ATTENTION 的短期電力負荷預測[J]. 計算機仿真，2022，39(2)：40-44.
[17] 張銘瑋，李正權(quán)，方志豪. 基于量子粒子群優(yōu)化的 CNN-LSTM 水質(zhì)預測模型[J] . 中國計量大學學報，2022，33(3)：303-309.
[18] 張雪，肖秦琨. CEEMDAN 組合 DISPSO-LSTM 的短期電力負荷預測[J] . 西安工業(yè)大學學報，2021，41(4)：461-469.
[19] WEI Dong, WEI Sun.Traffic Flow Prediction Based on Bi LSTM and Attention [J] .International Core Journal of Engineering，2022，8(3)：439-444.
[20] SARAVANA R, VENKATACHALAM K， MASUD M, et al.Air Pollution Prediction Using Dual Graph Convolution LSTM Technique[J].Intelligent Automation & Soft Computing， 2022，33(3)：1639-1652.
[21] 簡定輝，李萍，黃宇航. 基于 GA-VMD-ResNet-LSTM 網(wǎng)絡(luò)的短期電力負荷預測[J] . 國外電子測量技術(shù)，2022，41(10)：15-22.