基于模态分解和迁移学习的极端场景下负荷预测方法

    公开(公告)号:CN112488397B

    公开(公告)日:2022-09-27

    申请号:CN202011389811.7

    申请日:2020-12-01

    摘要: 本发明公开了一种基于模态分解和迁移学习的极端场景下电力负荷预测方法,包括:1)统计各种极端场景下电力负荷历史数据,并将其按负荷曲线的大致趋势分类;2)使用改进的聚合经验模态分解法将数据分频,得到负荷趋势项和若干高频分量;3)使用所述历史数据的趋势项进行基于注意力机制模型权重转移的迁移学习,得到趋势项的预测模型;4)使用所述预测模型和LSTM网络分别对所述趋势项和本征模态函数进行负荷预测,并将预测结果叠加起来,得到负荷预测结果。本发明能充分利用各种极端事件发生时的电力负荷历史数据,对同类场景下电力负荷趋势进行预测,解决了极端场景下电力负荷预测时传统方法不适用的问题。

    基于模态分解和迁移学习的极端场景下负荷预测方法

    公开(公告)号:CN112488397A

    公开(公告)日:2021-03-12

    申请号:CN202011389811.7

    申请日:2020-12-01

    摘要: 本发明公开了一种基于模态分解和迁移学习的极端场景下电力负荷预测方法,包括:1)统计各种极端场景下电力负荷历史数据,并将其按负荷曲线的大致趋势分类;2)使用改进的聚合经验模态分解法将数据分频,得到负荷趋势项和若干高频分量;3)使用所述历史数据的趋势项进行基于注意力机制模型权重转移的迁移学习,得到趋势项的预测模型;4)使用所述预测模型和LSTM网络分别对所述趋势项和本征模态函数进行负荷预测,并将预测结果叠加起来,得到负荷预测结果。本发明能充分利用各种极端事件发生时的电力负荷历史数据,对同类场景下电力负荷趋势进行预测,解决了极端场景下电力负荷预测时传统方法不适用的问题。