变分模态分解与深度学习用于短期多步居民用电负荷预测的实验研究
信号处理
2022-09-16 v2 机器学习
摘要
随着先进数字技术的蓬勃发展，能源用户和分销商都有可能获得关于家庭用电消耗的详细且及时的信息。这些技术也可用于预测家庭用电消耗（即负荷）。本文研究利用变分模态分解（Variational Mode Decomposition）和深度学习技术来提高负荷预测问题的准确性。尽管该问题已在文献中被研究，但选择合适的分解层级和能提供更好预测性能的深度学习技术受到的关注相对较少。本研究通过考察六种分解层级和五种不同的深度学习网络来弥补这一空白。原始负荷曲线首先使用变分模态分解分解为固有模态函数，以缓解其非平稳特性。然后，将日、小时和过去用电消耗数据作为三维输入序列馈入四级小波分解网络（Wavelet Decomposition Network）模型。最后，将与不同固有模态函数相关的预测序列组合形成聚合预测序列。所提方法使用来自摩洛哥建筑用电消耗数据集（MORED）的五个摩洛哥家庭的负荷曲线进行评估，并与最先进的时间序列模型和基线持续性模型进行基准比较。
引用
@article{arxiv.2202.03264,
title = {Experimental Investigation of Variational Mode Decomposition and Deep Learning for Short-Term Multi-horizon Residential Electric Load Forecasting},
author = {Mohamed Aymane Ahajjam and Daniel Bonilla Licea and Mounir Ghogho and Abdellatif Kobbane},
journal= {arXiv preprint arXiv:2202.03264},
year = {2022}
}