基于CEEMD与GWO-LSTM的精细非侵入性负荷监测

针对集中供热系统滞后性等因素导致的短期热负荷预测精度较低问题,提出一种基于互补集合经验模态分解(CEEMD)数据处理技术与灰狼优化算法-长短期记忆网络(GWO-LSTM)的精细非侵入性负荷监测方法。采用CEEMD将采集得到的原始热负荷数据分解为若干个平稳的固有模态函数(IMF)并对每个IMF分别进行建模预测,叠加每个IMF的预测值作为最终的预测输出。为了提高预测精度,利用GWO算法对LSTM的隐藏层神经元数目、训练次数和初始学习率进行参数寻优,建立CEEMD-GWO-LSTM短期热负荷预测模型。以实际热负荷数据进行仿真试验并与单一LSTM模型、CEEMD-LSTM模型进行对比,试验结果表明,CEEMD-GWO-LSTM模型的均方根误差、平均绝对误差和平均绝对百分比误差分别为0.5915 MW,0.4602 MW和8.0838%,显著低于其他对比模型。