来源：期刊VIP网 时间：
作者：邵必林;严义川;曾卉玢;
单位：西安建筑科技大学管理学院;
摘要：针对常见的数据分解加预测算法的组合负荷预测方法具有参数多、训练慢以及模态间共有信息不能有效提取的问题，提出了一种基于改进变分模态分解(variational mode decomposition,VMD)和聚类权值共享的负荷预测模型。模型首先引入互相关函数以寻找VMD的最优分解K值，然后利用K-means将分解后的模态分量进行聚类以突出模态分量的时序特征，最后利用权值共享思想对聚类后的分量进行快速准确的建模预测。仿真结果表明：该模型的平均绝对百分比误差（mean absolute percentage error,MAPE）和均方根误差（root mean square error,RMSE）分别为5.29%和986.50,与传统的单一预测模型相比，所提算法的MAPE和RMSE平均降低了7.50%和982.41；与常见的数据分解加预测算法的组合相比，所提算法的MAPE和RMSE平均降低了3.09%和268.93，训练速度也有一定提升。
关键词：负荷预测;;变分模态分解;;权值共享;;K-means聚类;;长短期记忆网络
基金资助：国家自然科学基金项目(编号:62072363)
