本技术介绍了一种采用优化后的GWO-VMD-LSTM算法进行短期电力负荷预测的方法和系统。该方法首先对VMD进行模态分解数量和惩罚因子的参数优化,然后对电力负荷数据进行特征提取,最后利用改进的LSTM模型进行负荷预测,以提高预测精度。
背景技术
电力产业是社会生产和人们日常生活的基础保障,不仅影响社会经济的整体发展速度也和每个人的日常生活紧密相关。与其他能源相比,电力能源具有很多优点,如污染低效率高、易于转换、便于远距离传输,因此成为不可或缺的重要能源之一。电力负荷预测的本质是综合电力系统运行特性、影响因素等条件,运用科学合理的方法,挖掘历史电力负荷的规律和发展趋势,并对未来一段时间的电力负荷需求值的预估和推断。
目前来看,长短期记忆神经网络给出解决问题的新思路,对各种原始电力负荷数据进行采集,分析负荷影响因素特征,通过长短期记忆神经网络对其进行短期电力负荷预测。
实现思路