设计应用

基于EMD-DA-LSSVM的短期电力负荷预测研究

作者:徐少波1,李 鑫1,刘海涛1,魏 丽2
发布日期:2020-11-23
来源:2020年电子技术应用第11期

0 引言

    短期电力负荷预测是负荷预测的重要组成部分,主要分为超短期、短期、中长期和长期预测,其对经济调度、电力市场交易、调整机组组合以及最优潮流具有重要意义[1]。短期电力负荷的准确预测对合理地安排发电计划和运行计划有重要作用,同时能够降低发电成本,提升电力生产运营的经济性。因此,如何提升短期负荷预测的精准性,是受到广泛关注的热点问题,也是难点问题。

    目前,常用负荷预算方法主要有时间序列法、外推法、回归分析法、极限学习机、人工神经网络法、小波分析法、灰色系统法以及支持向量机等。文献[2]提出一种基于混沌时间序列的负荷预测方法,虽然该方法一定程度上有助于提升负荷预测效果,但是精度还有待提高。文献[3]提出了基于组合灰色模型的全新短期电力负荷预测模型,结果表明该模型适合呈现指数变化的负荷预测,对于其他变化类型的负荷预测的预测精度较低。文献[4]提出一种基于BP神经网络的短期负荷预测方法,该方法存在训练时间过长的缺点,由于气象因素的影响导致负荷预测精度较低。文献[5]提出一种基于网格搜索优化支持向量机(Support Vector Machine,SVM)的短期负荷预测模型,该方法具有较好的预测效果,但是会耗费大量时间,实时性较差。为了进一步优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的性能,文献[6]融合模拟退火算法(Simulated Annealing,SA)和LSSVM模型,运用SA算法优化LSSVM模型的惩罚参数C和核参数g,提出一种基于SA-LSSVM的短期电力负荷预测方法,从而提高了负荷预测的精度。

    本文考虑电力负荷数据的非线性和非平稳性,建立了基于EMD-DA-LSSVM的用电负荷预测模型。首先,采用EMD分解短期电力负荷数据,获得互不耦合的IMF分量;其次,针对各IMF分量建立最优参数下的EMD-DA-LSSVM短期电力负荷预测模型,重构得到预测值。通过算法验证分析,与LSSVM、DA-LSSVM和EMD-LSSVM相比,EMD-DA-LSSVM模型具有更高的预测精度,短期电力负荷预测精度高达2.203%,从而说明EMD-DA-LSSVM进行短期电力负荷预测的有效性和可行性。




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003065




作者信息:

徐少波1,李  鑫1,刘海涛1,魏  丽2

(1.国网十堰供电公司,湖北 十堰442000;2.武汉工程大学,湖北 武汉430070)

此内容为AET网站原创,未经授权禁止转载。
最小二乘支持向量机 短期负荷预测 参数优化 经验模态分解 蜻蜓算法