计算机工程

作者：赖小玲, 贺嫚嫚, 胡伟, 张艺, 杜璞良, 刘蕊, 宋晓彤, 郑婷婷

单位：上海电力大学经济与管理学院, 上海 201306

关键词：负荷预测,麻雀搜索算法,变分模态分解,长短期记忆网络,相关分析

基金：国家社科基金项目(19BGL003)

针对传统电力负荷预测方法存在精度较低、负荷数据噪声大等问题, 提出一种基于改进变分模态分解(VMD)、卷积神经网络(CNN)和形变长短期记忆(Mogrifier LSTM)网络的多因素电力负荷预测方法。首先, 运用麻雀搜索算法(SSA)对变分模态分解进行优化, 得到最佳效果的分解子序列, 有效减轻负荷数据噪声对预测精度的影响; 其次, 分析各因素对负荷预测的影响机理, 利用皮尔逊相关系数推导各影响因素与负荷之间的相关性, 剔除冗余特征, 大幅降低模型失准的发生概率; 最后, 采用CNN提取特征向量, 将分解后的负荷数据及温度、湿度等特征数据输入到CNN-Mogrifier LSTM深度网络模型中, 通过CNN-Mogrifier LSTM深度网络模型对特征数据进行多维分析, 提高短期负荷预测精度。算例分析结果表明, 所提出的多因素电力负荷预测模型具有较好的适配性和预测效果, 与次优VMD-CNN-Mogrifier LSTM模型相比, 在两份所用真实数据集上的预测精度分别提升0.5和2.4百分点, 为短期电力负荷预测提供一种可行的解决思路。

来源：2025年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第2期