其他
【精彩论文】基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测
观点凝练
摘要：随着电力行业的不断发展，负荷预测的重要性也不断彰显，作为负荷预测的重要组成部分，短期负荷预测对于电力系统的调度运行、市场交易都有着重要的意义，精确的负荷预测有助于提高发电设备的利用率和经济调度的有效性。由于影响负荷数据的随机因素太多且具有较强非线性的特点，提出一种基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测方法。通过对某市负荷数据进行仿真，将仿真结果与其他传统预测方法结果相对比，最终证明长短期记忆神经网络模型的误差更低，具有较高的预测精度。同时将互补集合经验模态分解下的长短期记忆神经网络方法与其他分解方法下的长短期记忆神经网络模型预测结果进行对比，验证互补集合经验模态分解方法对提升预测精度的有效性。
结论：本文基于CEEMD-LSTM方法，综合考虑温度湿度等气象条件、日类型以及历史负荷的影响，对短期电力负荷进行预测，结论如下。
凭借LSTM模型独特的网络结构以及记忆存储遗忘功能，对短期电力负荷进行预测。根据实证分析结果可见，同比与其他传统模型，LSTM具有较好的拟合效果，可以有效提高预测精度。
在应用LSTM模型过程中，采用Adam算法优化网络权重参数，大大缩短了预测时间的同时也保证了预测的稳定性，避免出现梯度爆炸或梯度消失现象。
采用CEEMD数据分解方法，同比于其他分解方法，预测精度有明显的提升。
本文所提出的CEEMD-LSTM组合方法在解决短期负荷预测方面具有较高精度，下一步可调整时间尺度至中长期或是超短期负荷预测，也可在点预测基础上进一步拓展至概率密度预测及区间预测。
引文信息
赵会茹, 赵一航, 郭森. 基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测[J]. 中国电力, 2020, 53(6): 48-55.ZHAO Huiru, ZHAO Yihang, GUO Sen. Short-term load forecasting based on complementary ensemble empirical mode decomposition and long short-term memory[J]. Electric Power, 2020, 53(6): 48-55.往期回顾
◀【征稿启事】“面向数字化转型的电力系统大数据分析技术”专题征稿启事
◀【征稿启事】“新型电力系统信息安全：理论、技术与应用”专题征稿启事
◀【征稿启事】“双碳目标下多能互补促进新能源消纳关键技术”征稿启事
编辑：杨彪
审核：方彤
根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。