二次分解组合CNN-LSTM的短期负荷预测

短期电力负荷随机性强、波动性大。为提高负荷预测精度，文章提出一种基于二次分解的卷积神经网络（CNN）与长短期记忆（LSTM）神经网络组合的预测模型。其首先采用自适应噪声完备集合经验模态分解（CEEMDAN）方法将原始负荷序列分解为若干固有模态分量和残差；然后，引入样本熵与K均值（SEK-means, SK），将分解得到的子序列重构为3个序列，并运用变分模态分解方法将重构分量中的强非平稳序列进行二次分解，建立CNN-LSTM模型，对分解得到的各个子序列分别进行预测；最后，将预测的结果叠加，以实现对负荷的有效预测。运用实际负荷数据从确定系数、平均绝对误差、均方根误差和平均绝对百分比误差这4种评价指标角度进行验证，结果表明，该模型与XGBoost、LSTM、CEEMDAN-LSTM和CEEMDANCNN-LSTM模型相比较，具有更高的拟合度和预测精度。