基于EMD-GRU的短期电力负荷预测方法

高效精准的短期负荷预测对电力系统安全稳定运行至关重要。提出一种基于经验模态分解（EMD）和门控循环单元（GRU）的组合预测模型。首先选取日期因素、气象因素和历史负荷因素构建输入特征集；再利用EMD算法将随机性强的历史负荷数据分解为有限个特征互异的固有模态函数分量和趋势分量，并和日期因素、气象因素一起作为GRU网络的输入；采用2层GRU循环网络增加网络深度，提升模型学习能力，对各分量数据分别预测并叠加重构输出预测值。以我国某地负荷数据为实际算例，实验结果表明，采用该方法预测误差仅为6.11%，相较于GRU网络模型和BP神经网络模型，预测精度得到巨大提升；相较于EMD-LSTM网络模型，在预测精度相差0.04%的情况下，预测时长缩短25.99%，训练效率得到显著提升。