文件大小：1.48M
摘要：电力负荷预测受到诸多不确定性事件的影响，因此准确地预测负荷一直是行业内研究的重点方向。针对传统方法在对台区短期电力负荷预测精度较低的问题，文中给出一种基于二维变分模态分解（two-dimensional variational mode decomposition，2D-VMD）和卷积长短时记忆（convolutional long short-term memory，ConvLSTM）神经网络的电力负荷图像化短期预测方法。首先采用格拉姆角场方法(Gramian angular fields，GAF)将预处理后的负荷数据转换为一组格拉姆角场图像，然后通过2D-VMD将这组图像各自分解成一系列不同中心频率的子模态并按中心频率分类，使用ConvLSTM神经网络对不同模态图像组进行预测，最终将预测结果重构并逆操作得到负荷预测值。预测结果表明此方法提高了短期负荷预测的精度，为电力负荷预测提供了新方法。
文章目录
0 引言
1 基于格拉姆角场的序列数据图像化处理
2 基于2D-VMD和ConvLSTM的图像预测
2.1 二维变分模态分解
2.2 ConvLSTM神经网络
2.3 预测方法的总体框架
3 算例
3.1 数据集及评价指标
3.2 2D-VMD和ConvLSTM模型参数配置
3.3 预测过程及结果
4 结论
