基于VMD-SSA-HKELM的超短期负荷预测

摘要：

针对核极限学习机(kernel extreme learning machine,KELM)单一预测模型不稳定以及预测结果不准确,提出了一种变分模态分解(variational mode decomposition,VMD)与麻雀搜索算法(sparrow search algorithm,SSA)优化的混合核极限学习机(hybrid extreme learning machine,HKELM)模型.首先把预处理后的负荷序列依据变分模态技术分解为若干相对平稳的模态分量,然后同时对每个模态分量建立VMD-SSA-HKELM预测模型;再将负荷数据划分训练集和测试集;依据训练集分别用SSA算法优化HKELM的参数,将测试集代入每个模型,所测的结果叠加得出最终预测值.该模型采用麻雀算法优化的混合核极限学习机,使其在不同的参数下有良好的局部搜索能力,且能增强全局搜索能力.仿真结果表明,VMD-SSA-HKELM模型预测精度接近98.5％,为超短期负荷预测及电力系统稳定运行提供了决策的支持.

关键词：变分模态分解、麻雀搜索算法、混合核极限学习机、组合预测、超短期负荷预测

所属期刊栏目：41

分类号：TM715(输配电工程、电力网及电力系统)

在线出版日期：2022-09-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：105-111