基于模态分解和误差修正的短期电力负荷预测

来源：电子测量技术杂志2025年第5期北京时间：

作者：鄢化彪，李东丽，黄绿娥，张航菘，姚龙龙

单位：江西理工大学理学院 赣州市 341000

摘要：针对电力负荷非线性、高波动性和强随机性等特性导致无法充分提取时序特征引起预测误差较大的问题，提出了基于改进的自适应白噪声完全集合经验模态分解和误差修正的双向时间卷积网络双向长短期记忆网络短期电力负荷预测方法。先由最大信息系数筛选出与负荷高度相关的特征集，以削弱特征冗余；通过改进的自适应白噪声完全集合经验模态分解将高波动性的负荷分解为频率各异的本征模态分量和残差，以降低非平稳性；引入样本熵将复杂度相近的分量重构成新子序列，以降低计算量；然后，结合并行双向时间卷积网络提取不同尺度的特征，利用双向长短期记忆网络对负荷序列初步预测，使用麻雀优化算法对神经网络超参数调优；最后，误差序列通过误差修正模块对初始预测值进行修正。经实验验证，与其他预测模型相比，RMSE最多降低51.42%，最少降低34.26%，验证了模型的准确性和有效性。

关键词：电力负荷;短期预测;自适应经验模态分解;样本熵;双向时间卷积网络;双向长短期记忆;麻雀搜索算法

基金资助：江西省自然科学基金（20224BAB202036）、江西省教育厅科学技术重点研究项目（GJJ2200805）资助