一种基于复合二次变分模态分解(CIV-CBA)策略的短期电力负荷预测方法

本发明提出一种基于复合二次变分模态分解(CIV‑CBA)策略的短期电力负荷预测方法，属于深度学习与信号处理领域，短期电力负荷预测对电力系统高效稳定运行至关重要，但电力负荷数据的非平稳性、非线性及噪声干扰影响预测精度，传统单一信号分解方法难以准确捕捉其动态特征，且参数设置不当易致分解过度或不足，同时，神经网络训练中的梯度消失与爆炸问题也带来挑战，本发明集成自适应噪声完全集合经验模态分解(CEEMDAN)、变模态分解(VMD)、卷积神经网络(CNN)、双向门控递归单元(BIGRU)、注意力机制及改进麻雀搜索算法(ISSA)，通过融合多种先进技术，该模型能更精准捕捉电力负荷数据内在特征，显著提升短期电力负荷预测的准确性与稳定性，为电力系统的高效稳定运行提供有力支持。