基于CEEMDAN和TCN-LSTM模型的短期电力负荷预测

针对短期电力负荷数据随机性强，难以实现准确预测的问题，提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network, TCN-LSTM)混合模型的预测方法。所提算法先使用CEEMDAN方法将负荷数据分解为一系列相对平稳的子序列。同时为了降低后续计算规模，通过引入排列熵的方法将各子序列进行重组。然后，将各个重组序列输入到TCN-LSTM组合模型中，利用TCN模型提取特征并构建序列的特征向量，再基于LSTM模型对其进行训练及预测。最后把全部预测值进行相加得到完整的预测负荷值。通过使用欧洲某地真实负荷数据进行验证。结果表明：所提算法与其他常见的预测算法相比具有更高的预测精度，可为负荷预测等研究工作提供相关参考。

Short-term Power Load Forecasting based on CEEMDAN and TCN-LSTM Model