基于VMD-CNN-LSTM的农业大棚园区用电负荷短期预测

针对农业大棚用电负荷受农村供电能力、气象因素等的影响，具有强波动性和高非线性的问题，综合大棚短期负荷的气象特征和时序特征，提出了一种基于变分模态分解(variational mode decomposition, VMD)的长短期记忆(long short-term memory, LSTM)网络与卷积神经网络(convolutional neural network, CNN)相融合的VMD-CNN-LSTM的短期负荷预测模型架构。首先，基于VMD方法分解负荷序列，降低负荷波动性；其次，采用CNN方法提取负荷的气象特征，采用LSTM方法提取负荷时序特征，进行负荷分量预测，并将模态分量的预测结果重构；最后，以山东省寿光市农业大棚负荷数据为基础开展仿真实验。结果表明，VMD-CNN-LSTM模型与传统神经网络模型相比，可有效提高农业大棚短期负荷预测的精度。