基于改进CEEMDAN的深度学习电煤库存STIFM

准确预测燃煤电厂的电煤库存是优化能源储存、保障电力供应的重要依据。针对实际生活中短期电煤库存呈不平稳性、随机性和局部突变等特点,提出一种基于改进CEEMDAN分解的TCN-BiGRU-Attention组合模型电煤库存短期预测方法,分析电煤库存特征并选取主要影响因素,将影响因素通过词向量的方式构建成新时序序列,利用于完全自适应噪声集合经验模态分解(Complete EEMD with Adaptive Noise, CEEMDAN)分解数据后通过零率(Zero Crossing Rate, ZCR)将分量分类为高、中和低频并叠加求和,通过时序卷积网络(Temporal Convolutional Network, TCN)提取不同频段时序序列的隐藏特征,以特征向量的方式输入双向门控循环神经网络(Bidirectional Gated Recurrent Unite, BiGRU),并结合Attention机制(Attention Mechanism)给予不同权值突出关键特征并产生预测结果,将各频段序列预测结果求和产生最终预测结果。结果表明,上述模型比单一和其它组合模型预测结果更准确。