陈锦鹏，胡志坚，陈纬楠，高明鑫，杜一星，林铭蓉

（武汉大学电气与自动化学院，湖北省武汉市430072）

0 引言

为实现能量精确管理，综合能源系统（IES）应运而生［1］。多种能源在IES 中相互转换，使得多元负荷存在一定的耦合关系［2］，对负荷预测也提出了更高要求。

传统方法与机器学习［3-6］预测速度快，但忽略了样本时序关系［7］。近年来，深度学习有了广泛应用，典型代表就是长短期记忆（LSTM）神经网络［8-9］。为简化模型，文献［10］通过主成分分析实现数据降维后运用深度双向长短期记忆（DBiLSTM）神经网络预测，但主成分分析只能提取数据的线性关系，尽管深度学习能挖掘序列时序特征，但在面对非连续序列时预测精度也有限。

为发挥各种模型优势，文献［11］运用受限玻尔兹曼机与递归神经网络的组合模型；文献［12］运用LSTM 神经网络和轻梯度提升机进行预测后采用最优加权组合法对结果进行重构；文献［13-14］采用门控循环单元结合统计学方法，也取得了不错的效果。

为进一步提升预测精度，文献［15］采用变分模态分解（VMD）将风速序列分解成多个本征模态分量（IMF）后运用LSTM 神经网络预测，但VMD 存在所有分量重构后与原序列不一致的缺陷；文献［16］运用经验模态分解，虽然各分量重构后与原序列一致，但经验模态分解存在模态混叠现象，且分解后的高频分量为强非平稳分量，预测该分量将产生较大误差；文献[17]为降低小波包分解产生的强非平稳分量对预测的影响，采用集合经验模态分解对该分量再次分解，但集合经验模态分解引入了噪声，且2 次分解产生的分量众多，均由神经网络预测将耗费很高的时间成本；……