基于模态分解和自注意力机制的短期负荷预测
打开文本图片集
［摘 要］ 电力负荷数据的波动性和非平稳性一直是负荷预测的难点，直接构建预测模型的预测效果较差。为此，提出一种基于自适应噪声完备集合经验模态分解（CEEMDAN）和结合自注意力机制（SAM）的双向长短期记忆网络（BiLSTM）的电力负荷预测方法。该方法首先利用CEEMDAN算法将电力负荷数据分解为多个本征模态分量，降低原始负荷数据的波动性；然后对每个负荷分量分别构建SAM-BiLSTM网络预测模型；最后，将分量预测结果叠加重构得到电力负荷预测结果。（剩余8547字）