一种基于多模态分解重构的电力系统净负荷预测方法

本发明提供了一种基于多模态分解重构的电力系统净负荷预测方法，针对新能源高渗透背景下净负荷波动剧烈、突变频发、预测困难等问题，通过融合物理机制与深度学习建模手段，提高预测精度与趋势响应能力。首先采集历史净负荷数据与环境参数，基于风光发电量动态耦合计算方法精确估算历史风光净发电量。随后，利用改进的完备集合经验模态分解算法对历史净负荷进行多模态分解，并结合能量占比与相关性筛选有效模态函数，与残差项共同重构净负荷序列，剔除噪声干扰。重构序列经滑动窗口生成样本后，输入至由卷积神经网络与长短期记忆网络构成的混合神经网络模型，并结合风光发电量进行训练。最终，实现对未来净负荷的多步精准预测。