EMD-LSTM算法在短期电力负荷预测中的应用

摘要

cqvip:针对传统的负荷预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,提出了一种基于经验模态分解(EMD)和长短期记忆神经网络(LSTM)相结合的负荷预测模型。该模型首先利用EMD算法将时间序列信号分解为数个本征模函数(IMF)分量和趋势分量。然后利用LSTM存储单元能够长期学习历史负荷数据中的有用信息并且去除无用信息的特性,对每个提取的IMF和趋势项分别建立LSTM模型进行预测,最后将所有分量的预测值累加得到最终的预测结果。实验结果表明,BP模型的平均绝对百分误差为3.47%,LSTM模型的平均绝对百分误差为2.63%,EMD-LSTM模型的平均绝对百分误差为1.23%,能够满足更高的预测精度要求。