基于WTCN-BiGRU的CatBoost短期负荷预测方法OA

电力系统中短期负荷波动性强、随机性大,给其预测带来一定困难。由此,提出一种基于多模型融合的WTCN-BiGRU-Attention-CatBoost短期电力负荷预测方法。通过变分模态分解(VMD)对原始负荷数据进行分解,提取其固有模态分量,有效缓解数据非平稳性,将分解后数据送入WTCN-BiGRU-Attention神经网络,利用改进鲸鱼优化算法优化网络超参数,接着将其与CatBoost回归模型并行结合,之后引入平均绝对百分比误差倒数加权(MAPE-RW)融合算法对融合权重进行搜索,构建最佳融合策略,形成最终输出。仿真结果表明,所提出的融合模型的MAPE和RMSE分别为0.6255%与72.654 MW,相较于单一模型误差指标上均明显降低,表明其短期具备更强的泛化能力和抗干扰性能。