第60卷第6期2023年6月15日电测与仪表ElectricalMeasurement&InstrumentationVol.60No.6Jun.15,2023基于小波变换与BiGRU-NN模型的短期负荷预测方法曾囿钧，肖先勇，徐方维（四川大学电气工程学院，成都610065）摘要：为更好地挖掘大量采集数据蕴含的有效信息，提高短期负荷预测精度，文中提出一种基于小波变换与双向门控循环单元（BiGRU）、全连接神经网络（NN）混合模型的短期负荷预测方法。文章利用小波变换将负荷特征数据分解为高频数据以及低频数据，再分别建立高频混合神经网络以及低频混合神经网络模型进行预测。在混合神经网络模型中，将负荷特征数据作为BiGRU-NN网络的输入，利用BiGRU-NN网络学习负荷非线性以及时序性特征，以此进行短期负荷预测。文中以丹麦东部地区的负荷数据作为算例,实验结果表明,该方法与GRU神经网络、DNN神经网络、CNN-LSTM神经网络相比,具有更高的预测精度。关键词：电力系统；短期负荷预测；小波变换；双向门控循环单元；双向门控循环单元-全连接神经网络混合模型D0I:10.19753/j.issn1001-1390.2023.06.015中图分类号：TM715Short-termloadforecastingmethodbasedonwavelettransform(SchoolofElectricalEngineering,SichuanUniversity,Chengdu610065,China)Abstract:Inordertobetterminetheeffectiveinformationcontainedinalargeamountofcollecteddataandimprovetheac-curacyofshort-termloadforecasting,ashort-termloadforecastingmethodbasedonahybridmodelofwavelettransformandbidirectionalgatedrecurrentunit(BiGRU)andfully-connectedneuralnetwork(NN)isproposedinthispaper.Thewavelettransformisusedtodecomposetheloadcharacteristicdataintohigh-frequencydataandlow-frequencydata,andthen,ahigh-frequencymixedneuralnetworkandalow-frequencymixedneuralnetworkmodelarebuiltrespectivelytoconductpre-diction.Inthehybridneuralnetworkmodel,theloadcharacteristicdataisusedastheinputoftheBiGRU-NNnetwork,andtheBiGRU-NNnetworkisusedtolearntheloadnonlinearityandtimeseriescharacteristicstoperformshort-termloadpre-diction.TakingtheloaddataofEasternDenmarkasanexample,theexperimentalresultsshowthattheproposedmethodhashigherpredictionaccuracythantheGRUneuralnetwork,DNNneuralnetwork,andCNN-LSTMneuralnetwork.Keywords:powersystem,short-termloadforecasting,wavelettrans...
