基于重组二次分解及LSTNet-Atten的短期负荷预测

作     者：刘洪伟 王磊 刘阳 张鹏超 乔石 LIU Hongwei;WANG Lei;LIU Yang;ZHANG Pengchao;QIAO Shi

作者机构：陕西理工大学电气工程学院陕西汉中723001 陕西理工大学工业自动化重点实验室陕西汉中723001 国网山西省电力公司晋中供电公司山西晋中030600 

出 版 物：《浙江大学学报(工学版)》 (Journal of Zhejiang University:Engineering Science)

年 卷 期：2025年第59卷第5期

页      面：1051-1062页

核心收录：

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

基　　金：国家自然科学基金:资助项目(62176146) 国家社会科学基金:西部项目(21XTY012) 陕西理工大学研究生创新基金:资助项目(SLGYCX2405) 

主　　题：短期负荷预测 二次分解 样本熵 LSTNet 证据理论 敏感特征因子筛选 注意力机制 

摘      要：针对电力负荷数据随机性强、波动性大,预测精度较低的问题,提出基于重组二次分解及LSTNet-Atten的短期负荷预测方法.在数据预处理阶段,采用自适应白噪声的完全集合经验模态分解对负荷序列进行初步分解,降低原始信号的随机性和波动性.根据子序列的样本熵值,将相似的子序列重组聚合.在特征工程阶段,采用变分模态分解对重组得到的复杂度较高的分量进行再次分解,通过皮尔逊、斯皮尔曼、最大信息系数方法评估输入影响因素与负荷数据之间的相关性,利用证据理论优化输入数据的特征维度.在模型构建阶段,重构LSTNet-Atten预测模型,采用卷积模块挖掘序列的局部依赖关系,通过循环和循环跳过模块提取数据的长短期特征,提高数据本身的可预测性.利用自回归模块增强神经网络对线性特征的识别能力,提高模型的预测性能.增加时间注意力赋予重要特征更多的权重,实现全局与局部联系的捕获.在瓦伦西亚区域级负荷数据集上的实验结果表明,与其他经典的深度学习模型相比,所提方法的序列预测误差最高降低了66.69%,拟合系数提高了5.04%,预测精度和鲁棒性更高.