基于改进BiLSTM-RF的短期负荷预测研究.pdfVIP

第45卷第2期动化仪表Vol.45No.2

2024年2月PROCESSAUTOMATIONINSTRUMENTATIONFeb.2024

生BiLSTM-RF的短期负荷预测研究

基于改进

唐滨钧，邝先验，吴

丹

百赣州341000)

（江西理工大学电气工程与自动化学院，江西

摘要：电力负荷的准确预测能有效保持电网运行的稳定性，提高经济效益和社会效益。为了提高负荷预测的精准度，首先利用麻雀

有哪些信誉好的足球投注网站算法（SSA）和变分模态分解（VMD）对输人的原始负荷进行模态分解，降低了电力负荷数据随机性与非平稳性；然后利用双向长

短期记忆-随机森林（BiLSTM-RF)组合模型对分解后的子模态进行特征提取和预测。对某地区公开数据的性能验证与模型对比分析

结果表明，改进的BiLSTM-RF（+BiLSTM-RF)组合模型在决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分误

差（MAPE）这四个预测精度指标方面分别达到了0.973、300.31、134.91、0.037。与传统的支持向量机（SVM）、长短期记忆（LSTM）网

络、门控循环单元（GRU）等单一预测方法，以及未改进的BiLSTM-RF组合预测方法相比，+BiLSTM-RF组合模型有更好的预测表现。

关键词：短期负荷预测；麻雀有哪些信誉好的足球投注网站算法；变分模态分解；双向长短期记忆网络；随机森林；注意力机制；滑窗宽度

中图分类号：TH39文献标志码：AD0I:10.16086/ki.issn1000-0380.2022120066

Short-TermLoadForecastingStudyBasedonImprovedBiLSTM-RF

TANGBinjun,KUANGXianyan,WUDan

(CollegeofElectricalEngineeringandAutomation,JiangxiUniversityofScienceandTechnology,Ganzhou341000,China)

Abstract:Accuratepredictionofpowerloadcaneffectivelymaintainthestabilityofpowergridoperationandimproveeconomic

andsocialbenefits.Toimprovetheaccuracyofloadforecasting,theinputrawloadisfirstmodallydecomposedusingsparrow

searchalgorithm(SSA)andvariationalmodedecomposition(VMD),whichreducesthestochasticityandnon-stationarityofthe

powerloaddata;andthenthedecomposedsubmodalitiesarefeatureextractedandpredictedusingthebi-directionallongshort-

termmemory-randomforest(BiLSTM-RF)combinationmodel.Theresultsoftheperformancevalidationandmodelcomparison

analysisonthepublicdataofaregionshowthattheimprovedBiLSTM-RF(