【Knowledge-BasedSystems】考虑不确定性的电力负荷智能混合预测新方法
准确的负荷预测在促进低碳能源和高质量用电以及能源和电力系统的碳减排和安全方面发挥着重要作用。电力系统趋势的复杂性导致负荷预测存在广泛的不确定性。本文在多维不确定性水平上分析了壤土气象因素的内在机制，并提出了一种基于新的智能优化方法的双向记忆特征混合模型。灰狼优化的VMD将电力负荷数据分解为不同的信息模态分量，用多维不确定性分析对分解的分量进行统计分析，提取统计模式。GTO部分根据适应度值进行优化，以更新总体和全局最优解。此外，卷积神经网络（CNN）用于从负荷和气象数据中提取潜在特征，并增强输入和输出数据之间的相关性。然后，利用双向短期记忆神经网络（BiLSTM）实现了短期负荷预测。结果表明，所提出的模型比几种常用的模型误差更小，预测精度更高。它可以为相关部门开展低碳模式的电力经济调度工作提供一些新思路。
