考虑季节变化对负荷特征影响的电力系统短期负荷预测

随着微电网用电设备的复杂化,产生的环保、经济效益问题日益突出,电力负荷的短期预测对于区域的精细化调度至关重要。当前的负荷预测方法缺乏对不同区域季节性变化因素的表征,导致预测精度较低。提出了一种基于改进的自适应噪声完备集合经验模态分解一霜冰优化算法——双向循环神经网络(ICEEMDAN-RIME-BiGRU)考虑季节差异的短期负荷预测方法。首先,采用ICEEMDAN方法对四季的电力负荷进行分解;其次,结合RIME算法的软霜搜索策略、硬霜穿刺机制和正向贪婪选择机制,分别学习不同季节下电力负荷的分量特征,实现对BiGRU模型的参数寻优,并将特征分量输入网络模型,所得结果相加得到时间序列预测值;最后,以某地区微电网的负荷数据为例进行算例分析。结果显示,所提出的方法相较于其他3种典型相关预测方法,对于区域季节性差异对负荷的影响具有显著的表征能力,可以提升负荷预测精度。