集成自适应啁啾模态分解和BiLSTM的短期负荷组合预测模型

姚浩然，李成鑫，郑秀娟，杨 平

集成自适应啁啾模态分解和BiLSTM的短期负荷组合预测模型

姚浩然，李成鑫，郑秀娟，杨 平

(四川大学电气工程学院，四川 成都 610065)

为提高用户侧短期负荷预测的精度，提出了一种基于自适应啁啾模态分解(adaptive chirp mode decomposition, ACMD)和麻雀搜索算法(sparrow search algorithm, SSA)优化双向长短时记忆网络(bi-directional long short-term memory, BiLSTM)的短期负荷组合预测方法。针对短期电力负荷存在波动性强和非平稳性的问题，采用ACMD将短期负荷时间序列分解为多个相对简单的子分量，使用BiLSTM分别对各子分量进行预测。同时，为克服BiLSTM参数取值不同导致预测结果不稳定的问题，使用SSA优化BiLSTM模型的超参数。最后将各子分量预测结果叠加得到最终预测结果。通过具体算例，分别与单一预测模型和多种组合预测模型进行比较，实验结果表明该方法具有更高的预测精度。

负荷预测；双向长短时记忆网络；自适应啁啾模态分解；麻雀搜索算法；时序分解

0 引言

负荷预测是电网安全经济运行的前提，也是制定电力供应计划和电力调度的重要依据[1]。随着用户侧分布式电源发展和高比例新能源的并网，负荷的波动性和随机性大大增强，这给负荷预测工作带来很大挑战[2-3]。当前无论是发电侧还是售电侧都对负荷预测的准确度提出了更高的要求，预测误差的减少能显著提升电网运行的经济效益和社会效益[4]。相较于区域级负荷预测对于发电部门和电力调度部门的参考和指导作用而言，企业级负荷预测的侧重点在于帮助企业级用户和电力供应部门实现无缝对接和双向沟通[5-6]。……