A hybrid electric load forecasting model based on decomposition considering fisher information

  该研究将多日连续气象条件的影响因素添加到电网日峰值负荷预测方法中，该预测方法由四个模块组成：特征选择、时频信号分解、深度学习确定性模型预测和概率模型预测。首先，筛选与用电负荷相关的气象因素，利用fisher信息法量化气象对用电负荷的连续影响。其次，使用VMD将电力负荷分解为离散的子模式，然后将其扩展为序列。第三，使用深度学习神经网络LSTM对子序列进行预测和重构。时频信号分解方法可以减少噪声的影响，区分电力负荷时间序列的特征。最后，利用高斯过程回归将确定性负荷预测结果推广到概率预测结果。为了验证所提出方法的性能，本研究展示了十种不同的负荷预测方法。应用于中国和澳大利亚某省三个不同数据集的负荷预测。仿真实验表明，与比较模型相比，所提出的确定性模型在指标均方根误差上有74.32%的最大改进和0.55%的最小改进。概率预测结果表明，该模型的预测区间覆盖了大部分负荷观测值，表明该模型不仅能提供准确的确定性电力负荷预测数据，还能提供可靠的概率性电力负荷预测结果。

 《Applied Energy》是中科院一区TOP期刊，期刊为能源转换和节约、能源资源的最佳利用、能源过程的分析和优化、环境污染物的缓解和可持续能源系统等领域的创新、研究、开发和示范提供了信息论坛。

我校为该项工作的第一完成单位及通讯单位，水利水电科学研究院博士研究生效文静为该论文的第一作者，莫莉副教授为唯一通讯作者。该研究得到国家自然科学基金（(No.52379011, No. 51979114, No. 52039004)）和中央高校基本科研业务费专项（YCJJ20230570）等项目的支持。