来源：期刊VIP网 时间：
作者：周坤;马添翼;李婷;王志远;
单位：北京印刷学院机电工程学院;
摘要：针对夏季高温下电力负荷剧烈波动、短期预测难度高的问题，本研究提出一种集场景筛选、信号处理、深度预测与参数优化于一体的多阶段负荷预测方法。首先，通过典型日聚类与灰色关联分析识别负荷场景，筛选相似样本构建训练集；然后，利用变分模态分解（VMD）对原始序列进行重构，提升数据质量；建模阶段引入卷积神经网络（CNN）与门控循环单元（GRU）网络提取局部特征与时序关系；最终，采用吸血水蛭优化算法（BLSO）联合优化VMD与网络参数。实验结果表明，该模型在典型高峰负荷场景中表现优异，测试集上平均绝对误差（MAE）为123.16MW、平均绝对百分比误差（MAPE）为1.37%、判定系数（R~2）为0.994。对比多种优化算法，本研究方法MAPE显著低于其他算法的2.75%～4.08%，展现出更强的鲁棒性与泛化能力，为电力系统在高峰负荷预测中提供了有效支持。
关键词：电力负荷预测;;典型日聚类;;灰色关联分析;;变分模态分解;;CNN-GRU;;BLSO算法
基金资助：国家自然科学基金青年项目(No.62403065);; 北京印刷学院青年卓越项目(N0.Ea202405);; 北京市教委研发计划(No.KM202310015003)
