摘要：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0.625 5%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。

        关键词：短期负荷预测；VMD方法；WTCN深度学习架构；鲸鱼优化算法；CatBoost算法

        中图分类号：TM28     文献标识码：A 

      格式引文：李子乾，张才俊，王殊,等. 基于WTCN⁃BiGRU的CatBoost短期负荷预测方法[J].电气传动,2026,56(10):62-68. LI Ziqian，ZHANG Caijun，WANG Shu,et al. Short-term electricity load forecasting method based on multi-model fusion WTCN-BiGRU-Attention-CatBoost [J].Electric Drive, 2026,56(10):62-68