基于特征筛选的VMD-MIC-SSA-Informer短期负荷预测

摘要

对短期负荷进行准确、快速的预测有利于电力系统的安全稳定运行,故提出一种基于特征筛选的Informer短期负荷预测模型.针对短期负荷序列波动性大、随机性强的特点,利用变分模态分解(Variational Mode Decomposition,VMD)将原始负荷序列分解为不同频率的本征模函数(Intrinsic Model Function,IMF);考虑气象、地理、电价等影响因素,采用最大信息系数(Maximal Information Coefficient,MIC)对各IMF进行特征筛选;针对传统深度学习模型无法并行化、预测精度低的问题,应用了前沿的Informer模型进行短期负荷预测,同时利用了新颖的麻雀搜索算法(Sparrow Search Algorithm,SSA)进行模型参数优化.以西班牙区域级负荷数据为实例,同多层感知机(Multilayer Perceptron,MLP)、长短时记忆神经网络(Long Short-term Memory Neural Network,LSTM)和门控循环单元(Gated Recurrent Unit,GRU)进行横向与纵向实验对比,结果表明,提出的模型预测精度更高,平均绝对百分比误差低于1%.