引言

随着城市电气化水平的不断提高以及新型电力系统建设的推进，配电网络作为连接电源与终端用户的关键环节，准确、及时地掌握配电网负荷的变化趋势，已成为实现电力系统精益化调度、辅助决策支持和能源资源优化配置的基础性工作[1]。传统的负荷预测方法，如时间序列分析等，在处理具有复杂周期性、强扰动特征的配电网数据时，往往面临预测精度有限、模型扩展性差、对数据依赖强等问题。因此，亟须引入更先进的智能建模技术，以提升负荷预测的智能化水平。

近年来，深度学习作为人工智能领域的重要分支，在处理非线性时序数据方面展现出强大的建模能力，逐渐成为负荷预测研究的重要方向[2。深度学习能够通过多层网络结构自动提取高维数据中的潜在特征，具备较强的时间序列建模能力和非线性映射能力，能够捕捉负荷数据中复杂特征变化[3]，逐步向实用化、工程化方向发展。同时，随着配电自动化水平的提升，大量数据得以获取，也为深度学习模型提供了数据基础，使其在电力系统中的应用成为可能4。然而，配电网络负荷预测仍面临诸多挑战，如预测精度在高波动场景下易出现下滑等[5]。因此，如何构建高效、稳健、可解释的深度学习模型，已成为当前学术界与工程界共同关注的核心问题，本文对此进行研究。

图1VMD-CNN-BiLSTM模型网络结构

1.基于VMD的CNN-BiLSTM的短期电力负荷预测模型

基于变分模态分解（variationalmodedecomposition，VMD）的CNN-BiLSTM的短期电力负荷预测模型是一种融合信号分解与深度学习多模型优势的复合预测框架，旨在提升对非平稳、噪声干扰显著的电力负荷数据的预测精度与稳定性。……