基于补充集合经验模态分解的短期负荷预测模型

摘要：

电力负荷预测关乎电量调配和系统运行.针对短期负荷预测,采用补充集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)算法,结合传统算法和机器学习算法的优势,提出了一种组合预测模型.模型先将原始数据通过奇异值分解(singular value decomposition,SVD)算法进行降噪,再对所得数据进行CEEMD,可得到频率各异的本征模态函数(intrinsic mode functions,IMF)和剩余分量(residual component,RES).采用独立成分分析(independent component analysis,ICA)提取高频IMF1的独立成分,其余的本征模态函数进行重构得到IMFcg,分别运用不同的方法对IMF1、IMFcg、RES进行预测,最后将IMF1、IMFcg、RES的预测值相加作为真正的预测值.根据实验数据可得,所提模型能充分利用、发掘负荷数据的内在特征,预测效果更佳,可作为负荷预测的参考.

关键词：负荷预测、补充集合经验模态分解、奇异值分解、广义回归神经网络、独立成分分析

所属期刊栏目：46

分类号：TM715(输配电工程、电力网及电力系统)

在线出版日期：2022-09-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：3615-3622