基于VMDT-POA-DELM-GPR的两阶段短期负荷预测

摘要：

针对传统负荷预测方法精度不高的问题,为准确捕捉到负荷数据波动的规律,提出了一种两阶段负荷预测方法.第1阶段首先用变分模态分解(VMD)对原始负荷序列进行分解,得到分解处理后的残差分量,再采用时变滤波经验模态分解(TVF-EMD)方法进行特征提取;然后对全部子序列分别建立深度极限学习机(DELM)模型,同时利用鹈鹕优化算法(POA)进行参数寻优,叠加各子序列的预测值得到初始负荷预测值.第2阶段采用POA-DELM模型对误差分量进行预测;然后将第一阶段中所有子序列预测值和误差预测值作为特征输入到高斯过程回归(GPR)模型中,得到负荷最终的预测结果.结果表明,两阶段模型的均方根误差(RMSE)、平均绝对误差(MAE)分别为对比模型的4%～77%、4%～76%,而平均百分比误差(MAPE)仅为0.067 8%,可有效提高电力负荷的预测精度.

关键词：变分模态分解、时变滤波经验模态分解、鹈鹕优化算法、深度极限学习机、两阶段负荷预测

所属期刊栏目：43

分类号：TM714(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;宜昌科技研究与开发项目

在线出版日期：2024-02-27（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：101-109