基于变分模态分解和多模型融合的用户级综合能源系统超短期负荷预测

摘要：

针对用户级综合能源系统(integrated energy system,IES)多元负荷波动性和随机性较强、精确预测难度较大的问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)和多模型融合的超短期负荷预测方法.首先采用VMD将IES各类负荷序列分解成不同的本征模态函数(intrinsic mode function,IMF);然后将各IMF结合气象信息构造不同的特征集,分别输入支持向量回归机(support vector regression,SVR)、长短期记忆(long short-term memory,LSTM)网络和一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)进行预测;最后,将3个模型的预测结果输入SVR进行融合得到最终的预测值,并采用和声搜索(harmony search,HS)算法优化SVR的参数.通过某用户级IES的实际数据对所提方法的有效性进行了验证,结果表明,所提出的多模型融合方法优于单模型预测方法,对电、冷、热负荷均具有最好的预测精度.

关键词：综合能源系统、负荷预测、变分模态分解、支持向量回归机、长短期记忆网络、卷积神经网络

所属期刊栏目：46

分类号：TM721(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51977140

在线出版日期：2022-07-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：2610-2618,中插15-中插18