EMD-LSTM算法在短期电力负荷预测中的应用

论文摘要

针对传统的负荷预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,提出了一种基于经验模态分解（EMD）和长短期记忆神经网络（LSTM）相结合的负荷预测模型。该模型首先利用EMD算法将时间序列信号分解为数个本征模函数（IMF）分量和趋势分量。然后利用LSTM存储单元能够长期学习历史负荷数据中的有用信息并且去除无用信息的特性,对每个提取的IMF和趋势项分别建立LSTM模型进行预测,最后将所有分量的预测值累加得到最终的预测结果。实验结果表明,BP模型的平均绝对百分误差为3. 47%,LSTM模型的平均绝对百分误差为2. 63%,EMD-LSTM模型的平均绝对百分误差为1. 23%,能够满足更高的预测精度要求。

论文目录

• 0 引言
• 1 方法及原理
•   1.1 EMD基本原理
•   1.2 长短期记忆神经网络 （LSTM）
• 2 基于EMD-LSTM的预测模型
•   2.1 模型流程图及建模过程
•   2.2 EMD分解结果
• 3 实验分析
•   3.1 数据预处理
•   3.2 实验结果
• 4 结论

文章来源

类型: 期刊论文

作者: 任成国,肖儿良,简献忠,王如志

关键词: 短期电力负荷预测,经验模态分解,长短期记忆神经网络,循环神经网络

来源: 电力科学与工程 2019年08期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 电力工业

单位: 上海理工大学光电信息与计算机工程学院,上海市现代光学系统实验室,北京工业大学材料科学与工程学院

基金: 国家自然科学基金资助项目(11774017)

分类号: TM715

页码: 12-16

总页数: 5

文件大小: 306K

下载量: 603