基于 EMD 与优化 LSTM 网络的短期负荷预测
信号处理
2018-09-27 v1 人工智能
摘要
短期负荷预测是智能电网的关键环节之一。精确的预测使系统操作员能够做出可靠的机组组合与电力调度决策。随着大数据的到来，反向传播、支持向量机等多种人工智能技术已被用于预测次日负荷。然而，由于原始数据的噪声与电力负荷的随机性，现有方法的预测误差相对较大。本研究提出一种基于经验模态分解与长短期记忆（long short-term memory, LSTM）网络的短期负荷预测方法，其参数由粒子群优化算法优化。本质上，经验模态分解可将历史数据的原始时间序列分解为相对平稳的分量，而长短期记忆网络能够强调并建模数据的时间特性，二者联合使用有望有效利用数据自身特征，从而提高预测精度。本研究在真实数据集上验证了有效性，实验结果表明，与现有方法相比，所提方法具有更高的预测精度与适用性。
引用
@article{arxiv.1809.10108,
title = {Short-term load forecasting using optimized LSTM networks based on EMD},
author = {Tiantian Li and Bo Wang and Min Zhou and Junzo Watada},
journal= {arXiv preprint arXiv:1809.10108},
year = {2018}
}
备注
16 pages,11 figures