基于特征挖掘的ARIMA-GRU短期电力负荷预测

摘要

针对短期电力负荷随机性较强、预测精度较低的问题,提出了一种基于混沌理论、变分模态分解VMD(variational modal decomposition)、整合移动平均自回归ARIMA(autoregressive integrated moving average)模型和门控循环单元GRU(gated recurrent unit)神经网络的组合预测方法。首先,对电力负荷历史数据进行相空间重构来提取混沌特征。然后,应用变分模态分解将相空间中的各维负荷序列分别分解为一组平稳性好的本征模态函数IMF(intrinsic mode function)。接着,根据频率指标过零率将每组本征模态函数重构为一个低频序列和一个高频序列。最后,分别使用ARIMA模型和GRU神经网络模型对各个低频序列和高频序列进行模型训练和迭代预测,综合各序列的预测值得到预测结果。实例分析表明,与所提其他智能算法相比,该方法具有更高的预测精度。