基于WOA优化的VMD-CNN-BiGRU储能电站负荷预测

储能电站是新能源发电端与大电网之间重要的电能缓冲纽带,高精度的电力负荷预测模型对确保储能电站电能配储的稳定性至关重要。为此,提出一种基于信号分解处理、优化算法与深度学习模型相结合的负荷预测方法。首先利用样本熵函数(SE)与鲸鱼优化算法(WOA)对变分模态分解(VMD)参数进行优化,将负荷序列分解为多个子序列;随后构建基于WOA优化的卷积神经网络(CNN)和双向门控循环单元(BiGRU)预测模型,并结合斯皮尔曼秩相关系数筛选相关特征,与子序列共同输入模型进行预测;最后将各分量预测结果叠加,输出整体负荷预测值并计算误差指标。实验结果表明,所提方法相较于主流模型具有更高的预测精度,平均绝对百分比误差(MAPE)降低至0.013%,决定系数R²高达0.984,验证了该模型的有效性和优越性。

资料为PDF文档格式.

本文档关键词:负荷,电站,预测,优化,WOA