基于RRPNN-CEEMD-BiLSTM的短期电力负荷预测

随着低碳经济的不断发展,准确的电力负荷预测对于能源管理至关重要。为了提高电力负荷短期预测的准确度,提出基于改进的岭多项式神经网络(RRPNN)、互补集合经验模态分解(CEEMD)和双向长短期记忆网络(BiLSTM)的短期电力负荷预测。首先通过自回归输入调整RRPNN的输出精度,实现快速处理非线性负荷数据并实现初始预测。然后,通过CEEMD和BiLSTM方法,减少模态混叠和模态间的相互影响,从而获得准确的模态分量预测结果。最后,以某地区实际电网负荷为例,进行仿真验证。通过验证可知,与RRPNN-BiLSTM、CEEMD-BiLSTM、RRPNN-PSO-BiLSTM等其它模型相比,RRPNN-CEEMD-BiLSTM模型能够有效实现短期电力负荷的精确预测,具备较高的负荷预测精度。