电工电气杂志社

基于CEEMDAN-LSTM-CNN网络的短期电力负荷预测

来源：电工电气发布时间：2023-07-01 11:01 浏览次数：206

基于CEEMDAN-LSTM-CNN网络的短期电力负荷预测

简定辉，李萍，黄宇航，梁志洋

(宁夏大学物理与电子电气工程学院，宁夏银川 750021)

摘要：短期电力负荷随机性和波动性较强，传统的负荷预测方法难以掌握短期负荷变化的规律。为提高短期电力负荷预测精度，提出一种融合自适应噪声完备集合经验模态分解 (CEEMDAN)、长短时记忆 (LSTM) 网络、卷积神经网络 (CNN) 的短期电力负荷预测方法。从数据集中提取原始负荷序列，利用 CEEMDAN 将其分解为多个固有模式函数 (IMF)，降低其非稳定性；采用 LSTM 网络分析各分量时序特征，获得多个预测结果；将各预测结果叠加后通过 CNN 和全连接层分别进行特征提取和数据特征学习，获得最终负荷预测结果。将所提方法分别与基准模型及其他文献方法通过实际算例进行对比分析，结果表明，所提方法能够准确掌握负荷变化的规律，且在一天负荷预测问题中精度达到97.32%。

关键词： 电力负荷预测；自适应噪声完备集合经验模态分解；长短时记忆网络；卷积神经网络；皮尔逊相关系数

中图分类号：TM715 文献标识码：A 文章编号：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

参考文献

[1] 董彦军，王晓甜，马红明，等. 基于随机森林与长短期记忆网络的电力负荷预测方法[J] . 全球能源互联网，2022，5(2)：147-156.

[2] 何心毅，郎劲，张颜颜，等. 基于改进长短期记忆神经网络的钢铁企业电力负荷预测方法[J] . 冶金自动化，2022，46(3)：48-56.

[3] 李焱，贾雅君，李磊，等. 基于随机森林算法的短期电力负荷预测[J] . 电力系统保护与控制，2020，48(21)：117-124.

[4] 胡怡霜，夏翔，丁一，等. 基于因子和趋势分析反馈的多元回归负荷预测[J] . 电力需求侧管理，2018，20(6)：22-25.

[5] 朱健安，魏云冰，朱鹏杰，等. 基于优化灰色傅里叶残差修正的中长期负荷预测[J] . 电子科技，2021，34(12)：49-55.

[6] 吕留根，罗义英，黄晨. 基于辐射时间序列法的房间空调负荷实验研究[J] . 科技通报，2019，35(2)：150-154.

[7] 刚文龙，陈希辉，肖紫薇. 基于随机森林的空调冷负荷逆向分解方法[J] . 煤气与热力，2022，42(5)：22-26.

[8] 苏颜，张珍，林庆达，等. 基于 BP 神经网络算法的短期电力负荷预测研究[J] . 电子设计工程，2022，30(12)：167-170.

[9] 钟劲松，王少林，冉懿，等. 基于互信息和 LSTM 的用户负荷短期预测[J] . 电力建设，2022，43(7)：96-102.

[10] 刘月峰，杨宇慧. 基于 CNN-LSTM 的短期电力负荷预测研究[J]. 科技创新与应用，2020(1)：84-85.

[11] 王荣茂，谢宁，于海洋，等. 基于 EMD-LSTM 模型的台区负荷短期预测方法[J] . 实验室研究与探索，2022，41(1)：62-66.

[12] 秦光宇，闫庆友，朱敬尧. 短期电力负荷预测模型及其应用研究[J] . 价格理论与实践，2020(2)：75-78.

[13] 沈富鑫，邴其春，张伟健，等. 基于 CEEMD-GRU 组合模型的快速路短时交通流预测[J] . 河北科技大学学报，2021，42(5)：454-461.

[14] 谷凯文，魏霞，黄德启，等. 基于 CEEMDAN-MFO-RBF 的风电功率短期预测[J]. 新疆大学学报(自然科学版)(中英文)，2022，39(1)：111-118.

[15] 万磊，余飞，鲁统伟，等. 基于 CEEMDAN-CNN-GRU 组合模型的短期负荷预测方法[J] . 河北科技大学学报，2022，43(2)：154-161.

[16] 方娜，余俊杰，李俊晓，等. 基于 CNN-BIGRU-ATTENTION 的短期电力负荷预测[J]. 计算机仿真，2022，39(2)：40-44.

[17] 张铭玮，李正权，方志豪. 基于量子粒子群优化的 CNN-LSTM 水质预测模型[J] . 中国计量大学学报，2022，33(3)：303-309.

[18] 张雪，肖秦琨. CEEMDAN 组合 DISPSO-LSTM 的短期电力负荷预测[J] . 西安工业大学学报，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] 简定辉，李萍，黄宇航. 基于 GA-VMD-ResNet-LSTM 网络的短期电力负荷预测[J] . 国外电子测量技术，2022，41(10)：15-22.

返回索引列表

Article retrieval

文章检索

基于CEEMDAN-LSTM-CNN网络的短期电力负荷预测