基于优化的VMD-mRMR-LSTM模型的短期负荷预测

随着智能电网技术的发展和电力市场的推进,用电模式的复杂性逐渐凸显,对短期负荷预测的精度和稳定性提出了更高的要求。针对传统负荷预测方法缺少对时序数据相关性、特征值的全面考虑等问题,提出一种基于优化的变分模态分解、最小冗余最大相关性与长短期记忆神经网络的组合预测模型。首先,将波动性高的负荷序列分解为一组相对平稳的模态分量,其中利用麻雀智能算法优化VMD的关键参量。其次,利用m RMR方法分析各模态分量与预测模型输入特征元素间的相关性,获取各预测模型的最优输入特征集,并在分析负荷影响因子中考虑实时电价。最后,采用不同结构参数的LSTM方法对各分量分别预测,将预测结果叠加得到最终的预测值。以澳大利亚的实际运行数据做算例分析,与常规负荷预测方法进行对比,验证了该方法的有效性。