文章标题：基于RIME-VMD-TCN-Attention的船舶电力负荷预测

文章作者：骆佳馨¹, 高海波¹, 欧阳继能², 李程¹, 陈灿¹
关 键 字：船舶短期电力负荷预测;霜冰优化算法;变分模态分解;时序卷积网络;注意力机制
文章摘要：船舶电力负荷因具有噪声多、随机性和非线性强的特点，在短期电力负荷预测中存在噪声干扰、特征提取困难和模型拟合度差的问题。故本文提出一种结合霜冰优化算法（Rime Optimization Algorithm，RIME）的变分模态分解（Variational Mode Decomposition，VMD）、时序卷积网络（Temporal Convolutional Network，TCN）和注意力机制的组合预测模型。首先，通过RIME-VMD分解，将复杂的船舶电力负荷信号分解为多个仅包含简单负荷特征的单独模态，以减少噪声的影响同时提高分解效率；其次，通过TCN模型结合Attention机制对各模态分量进行预测并将结果组合，使模型自适应捕捉电力负荷中的非线性特征，提高时序预测能力；最后，实验分析表明，本文提出的RIME-VMD-TCN-Attention模型误差指标MAE、MAPE、RMSE和R²均优于传统LSTM模型、GRU模型、单一TCN模型和未经模态分解的混合模型，具有更高的预测精度。