A Multi-stage Deep Learning Framework for Short-Term Electricity Load Forecasting

doi:10.1007/978-3-032-03101-3_1

A Multi-stage Deep Learning Framework for Short-Term Electricity Load Forecasting

2026-01-01

1

PRE

AI

Saleh Abdel-Afou Alaliyat

DOI：10.1007/978-3-032-03101-3_1

原文链接

原文求助

摘要

En 中文

电力负荷预测对于现代复杂电力系统的经济可行性和可靠运行至关重要。尽管传统统计方法和深度学习方法可用于预测，但它们在捕捉日益增长需求下的复杂非线性行为方面往往表现不足。因此，本研究提出了一种新的级联方法——多阶段深度学习框架（MSDL），能够更准确地捕捉这些行为。MSDL由三种不同架构组成，即季节分解（SD）、经验模态分解（EMD）和长短期记忆网络（LSTM）。在MSDL中，时间序列数据首先通过SD分解为趋势、季节和残差分量。然后使用EMD将残差分量进一步分解为固有模态函数（IMFs），以提取复杂的高频模式。这些分量随后被用作LSTM模型的输入进行预测。基准测试结果表明，所提出的方法在RMSE、MAE和MAPE方面优于多个参考模型。此外，本研究不仅进行性能比较，还研究了IMF数量对预测精度的影响。研究表明，对于所选案例研究，包含超过五个IMF进行预测并不会显著提高预测性能。

Keyword:

Electricity Load Forecasting

Cascaded Models

Seasonal Decomposition

Empirical Mode Decomposition (EMD)

Long Short-Term Memory (LSTM)

A Multi-stage Deep Learning Framework for Short-Term Electricity Load Forecasting

摘要

期刊

机构