基于VMD-LSTM-LightGBM的多特征短期电力负荷预测

针对目前多特征电力负荷预测精度不准的问题,为充分挖掘电力负荷数据中的时序信息、天气信息等特征信息,提出了一种基于变分模态分解(variational mode decomposition,VMD)的长短期记忆(long short-term memory,LSTM)神经网络与轻量级梯度提升机(light gradient boosting machine,LightGBM)预测模型,优化负荷数据非线性、非平稳、长记忆等问题,解决了多特征预测提取特征信息差的问题.该方法首先用VMD分解代表不同尺度的特征模态分量,降低了原始序列的不平稳度,同时分解的残差量代表负荷数据强非线性部分,通过特征性强的算法进行预测,将各模态分量通过LSTM的单特征预测,再将各个分量加入多特征利用LightGBM进行负荷预测.通过与目前多特征电力负荷预测模型进行对比实验,平均绝对误差(mean absolute error,MAE)值仅为其23％～73％,平均绝对百分比误差(mean absolute percentage error,MAPE)值能达到0.37％,具有更好的预测精度.