基于CEEMDAN算法及NARX神经网络的短期负荷预测

摘要：

为了提高电力负荷预测精度,提出一种基于自适应噪声的完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,简称CEEMDAN)算法和外部输入非线性自回归(nonlinear auto regressive with exogenous inputs,简称NARX)神经网络的短期负荷预测模型.首先,通过CEEMDAN算法对电力负荷原始信号进行分解,得到若干个本征模态函数分量和1个残差分量;然后,将得到的若干个本征模态函数分量和1个残差分量输入NARX神经网络进行预测;最后,将各分量的预测结果进行叠加得到短期负荷预测的最终结果.实验结果表明:CEEMDAN算法与NARX神经网络相结合的负荷预测模型有较强的收敛性能,能减少噪声对预测结果的不良影响、有效提高预测精度.

关键词：预测精度、CEEMDAN、本征模态函数、NARX神经网络、短期负荷预测

所属期刊栏目：45

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金资助项目;安徽省科技重大专项

在线出版日期：2021-03-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：38-46