第35卷第8期2019年8月
doi:10.3969/j.ISSN.1672-0792.2019.08.003
ElectricPowerScienceandEngineering
电力科学与工程
Vol.35,No.8Aug.,2019
EMD-LSTM算法在短期电力负荷预测中的应用
任成国1,2,肖儿良1,2,简献忠1,2,王如志3
(1.上海理工大学光电信息与计算机工程学院,上海200093;2.上海市现代光学系统实验室,
上海200093;3.北京工业大学材料科学与工程学院,北京100020)
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。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;循环神经网络中图分类号:TM734 文献标识码:A 文章编号:1672-0792(2019)08-0012-05
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
Applicationresearchofdeeplearninginshort-term
powerloadforecasting
RENChengguo1,2,XIAOErliang1,2,JIANXianzhong1,2,WANGRuzhi3
andTechnology,Shanghai200093,China;2.ShanghaiKeyLaboratoryofModernOpticalSystem,Shanghai200093,China;3.CollegeofMaterialsScienceandEngineering,BeijingUniversityof
Technology,Beijing100020,China)
(1.SchoolofOptical-ElectricalandComputerEngineering,UniversityofShanghaiforScience
Abstract:Aimingattheproblemthatthetraditionalloadforecastingmethodcannotmakefulluseofthecorrelationofdataandthusleadtolowpredictionaccuracy,aloadforecastingmodelbasedonempiricalmodedecomposition(EMD)andlong-termandshort-termmemoryneuralnetwork(LSTM)eigenmodefunction(IMF)componentsandtrendcomponents.Then,theLSTMstorageunitcanbe
isproposed.ThemodelfirstusestheEMDalgorithmtodecomposethetimeseriessignalintoseveralusedtolearntheusefulinformationinthehistoricalloaddataforalongtimeandremovethecharacteristicsoftheuselessinformation,andestablishanLSTMmodelforeachextractedIMFand
收稿日期:2019-03-08
基金项目:国家自然科学基金资助项目(11774017)
作者简介:任成国(1995—),男,硕士,主要研究方向为电力系统分析与控制;
肖儿良(1969—),男,副教授,博士,主要研究方向为图像处理、嵌入式系统、信号处理等;简献忠(1969—),男,副教授,博士,主要研究方向为压缩感知、嵌入式技术应用等;王如志(1973—),男,教授,博士,主要研究方向为图像处理、压缩感知、材料研究。
EMD-LSTM算法在短期电力负荷预测中的应用
