基于VMD-CNN-BiLSTM-CBAM的配变短期负荷预测方法

随着智能电网的发展,配变重过载预警的准确性对于维持电网稳定运行至关重要。本文提出了一种新的基于VMD-CNN-BiLSTM-CBAM模型的配变短期负荷预测方法,旨在提高预警准确性。该方法首先运用K均值聚类算法筛选出相似日,并利用变分模态分解(variational mode decomposition,VMD)对相似日的负荷数据进行分解,得到一系列内在模态函数(intrinsic mode function,IMF)分量。随后,各IMF分量通过结合卷积神经网络(convolutional neural network,CNN)、双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)和卷积块注意力机制(convolutional block attention module,CBAM)的混合模型进行特征学习和预测。最终,使用样本熵理论将预测得到的各IMF分量重构合成,获得配变的预测日负荷曲线。实验结果表明,本文提出的方法在预测精度上有明显提升,为配变重过载预警提供了有效的技术支撑。