基于CEEMDAN SE VMD和SelfAttention TCN融合模型的负载预测研究
Haotong Han1, Jishen Peng2, Jun Ma2
1Faculty of Electrical and Control Engineering, Liaoning Technical University, Huludao, 125000, China. hht4work@163.com.
Scientific reports
|April 25, 2025
概括
一个新的CEEMDAN-SE-VMD + Self-Attention-TCN模型提高了功率负载预测的准确性. 这种方法分解负载曲线,提取特征,并使用自我注意时间卷积网络进行精确的预测,优于现有模型.
科学领域:
- 电气工程 电气工程
- 数据科学数据科学数据科学
- 应用数学 应用数学 应用数学
背景情况:
- 越来越多的电力消耗和复杂的能源模式挑战了准确的功率负载预测.
- 精确的负载曲线预测对于电网稳定性和能源管理至关重要.
研究的目的:
- 提出一种新的CEEMDAN-SE-VMD + 自动注意-TCN融合模型,用于增强短期功率负载预测.
- 提高电力负载预测的准确性和可靠性.
主要方法:
- 用自适应噪声 (CEEMDAN) 完成集体实证模式分解,将负载曲线分解为内在模式函数 (IMF).
- 样本 (SE) 用于将IMF分类为高频和低频组件.
- 变化模式分解 (VMD) 用于高频组件提取.
- 自我注意时间卷积网络 (TCN) 用于序列预测.
- 个人预测的融合,最终预测.
主要成果:
- 拟议的模型在德国功率负载数据上实现了 24.1293 MW 的根平均平方误差 (RMSE) 和 17.268 MW 的平均绝对误差 (MAE).
- 该模型显示高的R平方值为0.9838,在预测准确度方面超过了比较模型.
- 信号分解和重建有效地揭示了负载数据中的深度特征信息,增强了模型学习.
结论:
- CEEMDAN-SE-VMD + Self-Attention-TCN 融合模型提供了卓越的短期功率负载预测准确度.
- 自注意机制显著提高了TCN在捕获数据依赖性的能力.
- 该模型对原始负载数据具有很高的耐受性,并在现实应用中证明了有效性.
