摘要：针对电力负荷数据存在非平稳性且传统预测模型不能精确获取时序负荷数据的空间相关性和时间依赖性，导致预测精度低的问题，我们设计并实现了一种基于CEEMDAN（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）和频谱图卷积网络的电力负荷预测方法。首先，使用CEEMDAN将目标负荷序列分解为多个本征模态分量（Intrinsic Mode Fuction，IMF），通过计算模糊熵对IMF进行重构；然后，使用频谱时间图卷积网络对重构后分量的空间相关性和时间依赖性进行挖掘，得到各分量的预测结果。最后，将各分量的预测结果线性相加，得到最终预测结果。实验结果表明，所提方法在平均绝对误差、平均绝对百分比误差、均方根误差三个评价指标上分别达到了0.72kW、0.89%、0.92kW，相较于对比模型StemGnn、TCN、LSTM、Informer、FEDformer预测精度分别提高了37.9%，17.2%，20.8%，22.5%，12.1%。证明本文所提出的预测方法可以有效降低非平稳性对预测结果的影响，精确获取时序负荷数据的空间相关性和时间依赖性，提高预测精度。
文章目录
0 引 言
1 FE优化的CEEMDAN分解方法
1.1 CEEDMAN模型
1.2 模糊熵（FE）
2 频谱时间图卷积网络模型
2.1 潜在相关层
2.2 频谱时间图卷积层
2.2.1 Timesblock
2.2.2 高效通道注意力
3 实验结果与分析
3.1 预测方法流程
3.2 数据集与实验环境
3.3 评价指标
3.4 分解结果与分析
3.5 预测结果与分析
4 结 语
