公开(公告)号：CN114358389B

公开(公告)日：2024-09-27

申请号：CN202111520535.8

申请日：2021-12-13

Applicant: 重庆邮电大学

Inventor： 唐贤伦 ,  陈洪旭 ,  万辉 ,  谢涛 ,  罗洪平 ,  黄淼 ,  邹密

IPC: H02J3/00 ,  G06Q50/06 ,  G06N3/0464 ,  G06N3/049 ,  G06N3/08

Abstract: 本发明请求保护一种结合VMD分解和时间卷积网络的短期电力负荷预测方法，首先使用变分模态分解(VMD)对原始负荷数据进行处理，将负荷序列分解得到多个本征模态函数(IMF),以降低神经网络预测模型输入数据的复杂程度。然后，分别计算各个IMF分量的样本熵(SE)，将相近样本熵值的分量合并为一个新的序列，以减少所需训练的模型数量，最后利用时间卷积网络(TCN)来拟合各个序列的历史数据和预测数据的非线性关系，并叠加各模型的预测结果得到最后的预测值。本发明相比于其他负荷预测传统方法，具有更高的预测精度。

公开(公告)号：CN114358389A

公开(公告)日：2022-04-15

申请号：CN202111520535.8

申请日：2021-12-13

Applicant: 重庆邮电大学

Inventor： 唐贤伦 ,  陈洪旭 ,  万辉 ,  谢涛 ,  罗洪平 ,  黄淼 ,  邹密

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明请求保护一种结合VMD分解和时间卷积网络的短期电力负荷预测方法，首先使用变分模态分解(VMD)对原始负荷数据进行处理，将负荷序列分解得到多个本征模态函数(IMF),以降低神经网络预测模型输入数据的复杂程度。然后，分别计算各个IMF分量的样本熵(SE)，将相近样本熵值的分量合并为一个新的序列，以减少所需训练的模型数量，最后利用时间卷积网络(TCN)来拟合各个序列的历史数据和预测数据的非线性关系，并叠加各模型的预测结果得到最后的预测值。本发明相比于其他负荷预测传统方法，具有更高的预测精度。