基于EEMD-AE-LSTM的生活用电短期负荷预测
来源：计算机应用与软件杂志2024年第3期北京时间：
作者：张洁莹, 石元博
摘要：生活用电负荷随机性高，使用单一的预测模型进行预测会造成预测结果精度不高并且预测时间比较长。建立集合经验模态分解(EEMD)-自动编码器(AE)-长短期记忆网络(LSTM)的组合预测模型用来预测生活用电短期负荷。采用EEMD算法将负荷数据分解为有限个本征模态分量(IMF)和一个残差分量，与自动编码器训练得到的特征序列组合，并建立LSTM模型预测线性加权产生最终预测结果。实验结果表明，相对于其他模型，EEMD-AE-LSTM模型的预测精度更高，是一种较为有效的生活用电短期负荷预测方法。
关键词：集合经验模态分解, 短期负荷预测, 自动编码器, 长短期记忆网络, 组合预测
