来源：期刊VIP网 时间：
作者：易雅雯;娄素华;
单位：华中科技大学电气与电子工程学院;
摘要：针对区域级电力负荷预测精度较低的问题，提出一种基于序列成分重组与时序自注意力机制改进时间卷积网络-双向长短期记忆网络（TCN-BiLSTM）的短期负荷预测方法。首先，通过中心频率法确定最佳初始分解数目，进而采用变分模态分解算法将原始负荷序列分解为多个不同频率的成分序列；其次，基于各成分序列的样本熵对多个成分序列进行K均值聚类，以获得最佳聚类数量的重组负荷序列分量；接着，将各重组分量输入所提出的负荷预测模型，获得各重组分量预测结果；最终，线性叠加各重组成分序列预测结果以获得最终负荷预测结果。算例分析表明，该方法与其他相关对比模型相比，预测均方根误差降低46.37%、模型拟合效果平均提升3.24%，表明该方法负荷预测精度高、模型拟合效果好，适用于区域级电力负荷预测。
关键词：负荷预测;变分模态分解;样本熵;K均值聚类;时序自注意力机制;时间卷积网络;双向长短期记忆网络
基金资助：国家电网公司科学技术项目（5108-202218280A-2-429-XG）
