基于模态分解和自注意力机制的短期负荷预测

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。实验结果表明,CEEMDAN-SAM-BiLSTM算法相比较于SVR、DNN、LSTM和BiLSTM预测精度分别提升了2.78%、1.99%、1.28%和0.96%,有效地提高了负荷预测精度。