基于变分模态分解和深度学习的短期电力负荷预测模型

Yang Zeng,Ding Shiyin, Ye Meng, Li Jing,Xue Shuqian, Wu Haotian

wf（2023）

引用 0|浏览8

暂无评分

摘要

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要.提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和长短期记忆(Long Short Term Memory,LSTM)神经网络的短期负荷预测模型.利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions,IMF),每个IMF结合LSTM进行预测,将各部分预测结果叠加得到VMD-LSTM模型的预测结果.分析实验结果,相比单一LSTM和经验模态分解(Empirical Mode Decomposition,EMD)组合LSTM预测方法,该方法能有效的提升负荷预测的准确性.

AI 理解论文

溯源树

样例

生成溯源树，研究论文发展脉络

Chat Paper

正在生成论文摘要