摘要
深入开展多特征综合能源负荷预测研究,对提高新能源的消纳具有重要工程意义,为此本文提出一种基于经验模态分解(Empirical Mode Decomposition,EMD)-多任务学习(multi-task learning,MTL)的长短时间记忆(long short-term memory,LSTM)网络短期电力负荷预测算法.该方法利用EMD分解综合能源电、冷、热负荷、得到分解后的各个负荷模态量和残差量,运用门控循环单元建立多任务学习的共享层,用于挖掘各个负荷之间的耦合特征,最后通过LSTM网络进行负荷预测.本文研究表明:所提出的EMD-MTL-LSTM预测模型较LSTM,其均方根误差(root mean square error,RMSE)有9.68%的提升.
出处
《云南电业》
2023年第9期13-18,共6页
Yunnan Electric Power
基金
重庆理工大学研究生教育高质量发展行动计划资助成果(gzlcx20232039,gzlcx20233120)
作者简介
张未(1997—),男,硕士,电力系统负荷预测。电子邮箱:zhangwei@stu.cqut.edu.cn;余成波(1965—),男,博士,教授,信息获取与处理技术、远程测试与控制技术(无线传感网络)及电气设备物联网技术;王士彬(1980—),男,博士,高级工程师,电力建设及设备安装维护管理。
