精确的电量预测可以为电量生产和供电调度提供可靠的指导，不同行业的用电量数据分布特性不同，用电量的周期性也因行业周期的不同具有不同时间尺度。传统的用电量预测模型难以在拟合用电量数据周期性的同时捕捉数据的波动性，为此本研究提出了多分辨时序神经网络（MTNN）模型，根据用电量数据特性将用电量数据视为近似的周期性数据分量和波动分量的组合，从多时频分辨率的角度对用电量数据进行多尺度分解，在不同时频尺度下预测用电量数据分量，然后通过组合预测分量实现用电量预测任务。具体而言，为捕捉数据周期性，首先使用集成经验模态分解方法（EEMD）对用电量数据分解，得到不同时间尺度的模态分量（IMF）,使用LSTM预测高阶IMF分量；对于低阶IMF分量，设计了多阶时频注意力神经网络计算低阶IMF分量的预测值，最后组合多个IMF分量的预测值得到电量预测结果。实验结果表明，与常用的电量预测模型相比，MTNN能更好地捕捉电量数据的变化规律，提高电量预测的精度。

南方电网科技项目（670000KK52200081）；

1 小波分析、傅里叶变换和EEMD分解
1.1 小波分析
1.2 傅里叶变换
1.3 经验模态分解与集成经验模态分解
2 多分辨时序神经网络模型
2.1 多分辨时序神经网络模型架构
2.2 多阶时频注意力神经网络
3 实验分析
3.1 数据集和基准模型
3.1.1 数据集
3.1.2 基准模型
3.2 MTNN预测有效性验证
3.2 MTNN消融实验
1) 时频处理方法的有效性验证
2) 时频神经相似性函数的有效性验证
3) 多阶特征提取方法中阶数N的影响
4 总结与展望

石少青,郑楷洪,周尚礼,杨劲锋,张英楠,陈敏娜,张健.电量预测中的多分辨时序神经网络模型研究[J].山东科技大学学报(自然科学版),2022,41(02):117-126.DOI:10.16452/j.cnki.sdkjzk.2022.02.013.