基于模態(tài)分解和自注意力機制的短期負荷預測

打開文本圖片集

［摘 要］ 電力負荷數據的波動性和非平穩(wěn)性一直是負荷預測的難點，直接構建預測模型的預測效果較差。為此，提出一種基于自適應噪聲完備集合經驗模態(tài)分解（CEEMDAN）和結合自注意力機制（SAM）的雙向長短期記憶網絡（BiLSTM）的電力負荷預測方法。該方法首先利用CEEMDAN算法將電力負荷數據分解為多個本征模態(tài)分量，降低原始負荷數據的波動性；然后對每個負荷分量分別構建SAM-BiLSTM網絡預測模型；最后，將分量預測結果疊加重構得到電力負荷預測結果。（剩余8547字）