基于ESMD-PE和ADBN的短期电力负荷预测

摘要

为了改善短期电力负荷预测性能,提出了一种基于极点对称经验模式分解(ESMD)-排列熵(PE)和自适应深度信念网络(ADBN)的组合预测新方法。为了提高预测精度以及降低原始负荷序列复杂度简化预测模型输入,运用ESMD方法将原始负荷序列分解成为一系列复杂度互异的模态函数,运用排列熵计算各模态函数的熵值并对复杂度相近的模态进行重构得到新的子序列;在综合考虑各影响因素的基础上,对新序列分别构造不同的DBN预测模型,最后叠加预测结果;由于DBN模型中无监督训练阶段学习率通常采用全局统一的常数型参数,将自适应学习率引入到对比差度(CD)算法中,通过自动调整学习率改善模型的收敛速度,同时预测精度也有提高。通过算例分析,文章提出的ESMD-PE-ADBN模型的MAPE值与RMSE值分别为1.03%和90.91 MW,预测效果最佳。