基于经验模式分解与人工神经网络的短期电力负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列的电力负荷,提高预测精度,提出了一种基于经验模式分解(EMD)和人工神经网络(ANN)的电力短期负荷预测方法。该法利用EMD的自适应性,自动地将目标负荷序列分解为若干个独立的内在模式分量(IMF),对各分量分别进行分析,可准确把握负荷变化特性和环境因素影响。对这些分量采用相匹配ANN模型进行预测,综合得到负荷序列的最终预测结果。仿真试验表明,与传统BP神经网络预测方法相比该方法具有较高的精度和较强的适应能力。     

基于EMD与粗糙集及神经网络相结合的短期负荷预测

为了提高预测具有周期性和随机性的电力负荷精度,提出了一种基于经验模式分析(EMD)与粗糙集及神经网络相结合的短期负荷预测方法.该方法利用EMD的自适应性,自动地将目标负荷序列分解为若干个独立的内在模式分量.考虑影响电力负荷的气象因子和模式分量信息量较大,利用粗糙集进行了属性约简,约简后的各个分量采用相匹配BP神经网络模型分别进行预测,然后,相加各分量预测值得到最终预测结果.仿真试验表明,该方法与EMD - BP模型预测方法相比,具有较高的精度和较强的适应能力.     

基于EMD和SVM的短期负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列性的电力负荷,提高预测精度,提出了结合经验模式分解(EMD)和支持向量机(SVM)的短期负荷预测法。该法运用EMD将负荷序列分解成若干个不同频率的平稳分量,分解后的分量突出了原负荷的局部特征,能更明显的看出原负荷序列的周期项、随机项和趋势项;根据各个分量的变化规律,选择合适的SVM参数和核函数构造不同的支持向量机分别预测;由SVM对各分量的预测值组合得到最终预测值。仿真试验表明,此方法与单一的SVM预测法及BP神经网络预测法相比,具有较高的精度和较强的推广能力。     

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

电力负荷是具有一定的周期性和随机性的非平稳时间序列,传统的预测方法是建立在负荷是平稳序列的前提下,难以精确的预测.为了进行有效的预测,提高预测精度,提出将经验模式分解EMD(Empirical Mode Decomposition)和最小二乘支持向量机LS-SVM(Least Square Support Vector Machine)相结合对短期负荷进行预测.首先,运用EMD将负荷序列自适应地分解成一系列不同尺度的本征模式分量IMF(intrinsic mode function),分解后的分量突出了原负荷的局部特征,能更明显地看出原负荷序列的周期项、随机项和趋势项;然后,根据各个IMF的变化规律,采用合适的核函数和超参数构造不同的LS-SVM进行预测,最后对各分量的预测值进行相加得到最终的预测值.仿真试验表明,此方法具有较高的精度和较强的推广能力.     

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

电力负荷是具有一定的周期性和随机性的非平稳时间序列,传统的预测方法是建立在负荷是平稳序列的前提下,难以精确的预测。为了进行有效的预测,提高预测精度,提出将经验模式分解EMD(Empirical Mode Decomposition)和最小二乘支持向量机LS-SVM(Least Square Support Vector Machine)相结合对短期负荷进行预测。首先,运用EMD将负荷序列自适应地分解成一系列不同尺度的本征模式分量IMF(intrinsic mode function),分解后的分量突出了原负荷的局部特征,能更明显地看出原负荷序列的周期项、随机项和趋势项;然后,根据各个IMF的变化规律,采用合适的核函数和超参数构造不同的LS-SVM进行预测,最后对各分量的预测值进行相加得到最终的预测值。仿真试验表明,此方法具有较高的精度和较强的推广能力。     

基于EMD和相关向量机的短期负荷预测

为提高电力负荷预测的准确性,提出一种基于经验模态分解EMD(empirical mode decomposition)与相关向量机RVM(relevant vector machine)的短期负荷预测方法。该方法利用EMD将目标负荷序列分解为若干个不同频率的固有模态分量I MF(intrinsic mode function),通过分析各个分量的特征规律,构造不同的RVM模型对各分量分别进行预测,再将各分量预测值通过RVM组合得到最终预测值。仿真结果表明,通过EMD分解,预测效果有显著改善,而RVM模型较之BP神经网络模型与SVM模型具有更高的预测精度。     

基于经验模态分解与动态神经网络的短期负荷预测

提出了采用经验模态分解(EMD)、动态神经网络与BP型神经网络相结合的混合模型进行电力系统短期负荷预测的方法。首先运用EMD将非平稳的负荷序列分解,然后根据分解后各分量的特点构造不同的动态神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。     

基于EMD-QRF的用户负荷概率密度预测

考虑用户负荷时间序列基数小、波动性与随机性强、难以取得较高预测精度的特点,建立基于经验模式分解(Empirical Mode Decomposition, EMD)与分位数回归森林(Quantile Regression Forest, QRF)的用户负荷概率密度组合预测模型,以提高用户负荷预测精度。首先,采用EMD信号处理算法对用户负荷原始时间序列数据进行分解处理,计算各模态函数样本熵值并根据样本熵大小对模态函数进行重构。其次,对重构分量分别建立QRF用户负荷预测模型,叠加不同分量预测结果从而获得预测值的条件分布。最后,利用核密度估计输出任意时刻用户负荷概率密度预测结果。相对于确定性点预测方法,概率密度预测具有描述用户负荷未来可能的波动范围及不确定性等优势,且算例测试验证了模型的有效性。     

基于经验模式分解的风电场短期风速预测模型

采用经验模式分解(EMD)和时间序列相结合的方法进行风电场的短期风速预测.针对风速序列的非平稳性和时序性,利用EMD分析非线性、非平稳信号的特点和自回归滑动平均(ARMA)时间序列的建模方法,建立风电场短期风速预测的EMD-ARMA模型.该模型通过EMD方法将原始风速序列进行分解,运用ARMA时间序列的方法对各分量分别进行预测.通过对我国某风电场的实际风速序列进行分析预测,介绍方法的实现过程,证明该方法的有效性.     

基于EMD和ELM的短期负荷预测

为了快速、准确预测具有随机性的电力负荷,引入经验模式分解和极限学习机组合负荷预测算法。首先,利用EMD将非平稳负荷序列分解成一系列相对平稳的分量,减少不同负荷影响因素间的相互影响;然后针对各分量的不同特性,利用ELM具有预测能力强、计算时间短、计算准确性高等特点建立不同的预测模型,分别预测各分量值;最后组合ELM预测的各分量值,得到最终预测结果。仿真算例表明,EMD和ELM组合预测方法较传统单一神经网络方法在短期负荷预测精度和运算时间方面具有其独特的优势。