基于经验模态分解与特征相关分析的短期负荷预测方法

被引：89

作者：

孔祥玉 ^{[1
]}

李闯 ^{[1
]}

郑锋 ^{[2
]}

于力 ^{[3
]}

马溪原 ^{[3
]}

机构：

[1] 智能电网教育部重点实验室(天津大学)

[2] 国网河北省电力有限公司石家庄供电分公司

[3] 不详

来源：

电力系统自动化 | 2019年 / 43卷 / 05期

基金：

国家重点研发计划;

关键词：

负荷预测; 经验模态分解; 智能算法; 最小冗余度最大相关性;

D O I：

暂无

中图分类号：

TM715 [电力系统规划]; TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

提出了一种基于经验模态分解与特征相关分析的短期负荷预测新方法。该方法从分解负荷序列入手,采用经验模态分解将原始负荷时间序列分解成不同频率的本征模函数(IMF)分量和残差分量,以弱化复杂影响因素环境下原始序列的波动性,获取更具规律性的分量。然后运用最小冗余度最大相关性标准(mRMR)技术分析各IMF分量和日类型、天气、电价等特征信息之间的相关性,获得最佳特征集。最后采用基于智能算法的最小二乘支持向量机(LSSVM)负荷预测模型对各经验模态分量进行预测,并将各分量预测结果叠加得到最终负荷预测值。以某电网实际数据进行算例分析,结果表明所提出的组合模型能够更准确地对外部因素敏感的短期负荷进行预测。

引用

页码：46 / 52

页数：7

共 14 条

[11] 电力系统负荷预测[M]. 中国电力出版社 , 康重庆, 2016
[12] Short-term load forecasting by wavelet transform and evolutionary extreme learning machine[J] . Song Li,Peng Wang,Lalit Goel.Electric Power Systems Research . 2015
[13] A new short-term load forecast method based on neuro-evolutionary algorithm and chaotic feature selection[J] . Sajjad Kouhi,Farshid Keynia.International Journal of Electrical Power and Energy Systems . 2014
[14] 基于经验模式分解和最小二乘支持向量机的短期负荷预测
祝志慧
孙云莲
季宇
[J]. 继电器, 2007, (08) : 37 - 40

← 1 2 →