基于改进CNN-GRU模型的短期电力负荷预测研究

来源：计算机工程杂志2026年第3期北京时间：

作者：王寅超, 陈博, 俞俊霞, 沈会

单位：国网上海市电力公司经济技术研究院, 上海 200030

摘要：为维护电力系统的稳定运行, 满足电力系统对于短期电力负荷预测精度的需求, 提出一种基于改进卷积神经网络与门控循环单元(CNN-GRU)模型的短期电力负荷预测方法。采用核主成分分析(KPCA)法处理多维输入数据, 提取主要影响因素作为后续预测模型的输入。构建以改进鱼鹰算法(OOA)优化的CNN-GRU组合模型进行训练和预测, 并引入注意力机制加强重要信息的影响, 提升预测模型的预测性能。最后采用贝叶斯超参数(BH)理论优化的极端梯度提升(XGBoost)模型优化预测误差, 并搭建仿真模型与多个模型进行对比实验, 根据所得到的预测效果曲线和各项性能指标验证所提方法的有效性。实验结果表明, 提出的改进CNN-GRU模型在训练与测试时的平均绝对百分比误差(MAPE)分别为1.56%和1.99%, 由此可以得出所提出的改进预测模型具有更好的预测精度。

关键词：短期负荷预测,核主成分分析,鱼鹰优化算法,门控循环单元,极端梯度提升

基金资助：国网上海市电力公司科技项目(SGTYHT/23-JS-001)