基于多元时序解耦多模态学习的农业负荷预测模型

勇 晔; 薛溟枫; 毛晓波

doi:10.3969/j.issn.1009-1831.2025.05.004

欢迎来到能源电力期刊网！

您当前的位置：

首页 >

文章列表页 >

基于多元时序解耦多模态学习的农业负荷预测模型

市场化规模化的新型电力负荷管理专辑 | 更新时间：2026-03-05

- 基于多元时序解耦多模态学习的农业负荷预测模型
- Agricultural load forecasting model based on multivariate temporal decoupling and multimodal learning
- 电力需求侧管理 2025年27卷第5期
- 作者机构：
  
  国网江苏省电力有限公司无锡供电分公司,江苏,无锡,214125
- 作者简介：
- 基金信息：
  
  国家电网有限公司科技项目（5400-202318246A-1-1-ZN）
- DOI：10.3969/j.issn.1009-1831.2025.05.004
  中图分类号：
- 纸质出版：2025
- 稿件说明：
移动端阅览
勇晔, 薛溟枫, 毛晓波. 基于多元时序解耦多模态学习的农业负荷预测模型[J]. 电力需求侧管理, 2025,27(5).

勇晔, 薛溟枫, 毛晓波. Agricultural load forecasting model based on multivariate temporal decoupling and multimodal learning[J]. 2025, 27(5).
勇晔, 薛溟枫, 毛晓波. 基于多元时序解耦多模态学习的农业负荷预测模型[J]. 电力需求侧管理, 2025,27(5). DOI： 10.3969/j.issn.1009-1831.2025.05.004.

勇晔, 薛溟枫, 毛晓波. Agricultural load forecasting model based on multivariate temporal decoupling and multimodal learning[J]. 2025, 27(5). DOI： 10.3969/j.issn.1009-1831.2025.05.004.

摘要

针对农业负荷受气象因素影响大，单一分解方法无法充分提取多元输入间存在的多维特征的问题，提出了一种基于多元变分模态分解结合SVR-Bi-GRU-TCN组合模型的农业负荷预测模型。首先利用多元变分模态分解对历史农业负荷及气象特征进行自适应分解，实时挖掘数据间不同特征尺度的模态分量，然后针对各模态分量的固有属性，分别建立SVR、Bi-GRU、TCN模型以提取不同时间尺度的特征信息，进而实现对未来1 h农业负荷精准预测。实验结果表明，与SVR模型、Bi-GRU模型、TCN模型、LSTM模型及CNN-Bi-LSTM模型相比，所提出的预测模型能有效提升预测精度。

Abstract

As the agricultural load is greatly affected by meteorological factors and a single decomposition method cannot fully extract the multidimensional features existing between multiple inputs

an agricultural load forecasting model based on multivariate variational mode decomposition combined with SVR Bi GRU TCN combined model is proposed. Firstly

using multivariate variational mode decomposition to adaptively decompose historical agricultural loads and meteorological characteristics

real-time mining of modal components with different feature scales between data is carried out. Then

based on the inherent properties of each modal component

SVR

Bi-GRU

and TCN models are established to extract feature information at different time scales

thereby achieving accurate prediction of future 1-hour agricultural loads. The experimental results show that compared with the SVR model

Bi-GRU model

and TCN model

LSTM model and CNN-BiLSTM model

the proposed prediction model can effectively improve the prediction accuracy.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多尺度权重适配和双向门控循环单元的工业企业短期电力负荷预测方法

基于小波变换与双向神经网络的短期风速预测模型

基于深度学习的新能源场站不良数据辨识与修正方法

基于并行深度信念网络的电力负荷预测

基于LSTM网络学习的电动汽车实时能量管理优化策略