Kurzfristige elektrische Lastprognose basierend auf Signalzerlegung und verbessertem TCN-Algorithmus

Im Bereich der Energiesysteme ist die kurzfristige elektrische Lastprognose entscheidend, um das Gleichgewicht zwischen Angebot und Nachfrage zu gewährleisten, die Erzeugungsplanung zu optimieren, Betriebskosten zu senken und die Netzstabilität aufrechtzuerhalten. Kurzfristige Lastkurven sind charakteristisch grob und zeigen bei der Zersetzung hochfrequente Daten, die ausgeprägte Nichtlinearitäten und signifikantes Rauschen aufweisen, was die Bemühungen zur Verbesserung der Prognosegenauigkeit erschwert. Um diese Herausforderungen anzugehen, stellt diese Studie ein innovatives Modell vor. Dieses Modell verwendet die komplette Ensemble-Empirische Modus-Zerlegung mit adaptivem Rauschen (CEEMDAN), um die ursprünglichen Lastdaten in niederfrequente und hochfrequente Komponenten zu unterteilen. Für die glatteren niederfrequenten Daten wird ein zeitliches Faltungsnetzwerk (TCN) verwendet, während die hochfrequenten Komponenten, die detaillierte Informationen zur Lastgeschichte enthalten, jedoch eine geringere Anpassungsgenauigkeit aufweisen, mit einem verbesserten Soft-Thresholding-TCN (SF-TCN) bearbeitet werden, das mit dem Schleimpilz-Algorithmus (SMA) optimiert ist. Experimentelle Tests dieser Methodik zur Lastprognose für die kommenden 24 Stunden über alle Jahreszeiten haben ihre überlegene Prognosegenauigkeit im Vergleich zu nicht zerlegten Modellen wie Support Vector Regression (SVR), Recurrent Neural Network (RNN), Gated Recurrent Unit (GRU), Long Short-Term Memory (LSTM), Convolutional Neural Network-LSTM (CNN-LSTM), TCN, Informer und zerlegten Modellen einschließlich CEEMDAN-TCN und CEEMDAN-TCN-SMA gezeigt.