经验模态分解和遗传程序设计算法在短期负荷预测中的应用

负荷预测精度的高低关键因素之一取决于预测技术。为此,提出将经验模态分解和遗传程序设计算法相结合用于电力系统的短期负荷预测。具体预测过程是对负荷样本进行经验模态分解,然后对分解后的各本征模态分量分别利用遗传程序设计进行分时预测,并通过对各本征模态分量的预测结果进行重构来得到最终预测结果。预测结果的误差基本都在4%范围内,说明此方法能够满足实际预测要求,具有一定可行性。     

基于经验模态分解和基因表达式程序设计的电力系统短期负荷预测

提出将经验模态分解(EMD)和基因表达式程序设计(GEP)算法相结合的EMD&GEP预测法应用于电力系统短期负荷预测中,消除负荷样本中的伪数据,并对负荷样本序列进行经验模态分解得到不同频段的本征模态分量(IMF)和负荷剩余分量.运用基因表达式程序设计算法的灵活表达能力,把分解得到的不同频段的各负荷本征模态分量及负荷剩余分量中所对应的不同日、同一时刻的负荷序列作为样本,进行分时预测.把各负荷本征模态分量和负荷剩余分量中相对应的预测结果进行重构,作为各时刻负荷的最终预测值.EMD克服了小波分析中小波基选取困难的不足,结果表明各负荷本征模态分量能较准确反映负荷特征,而且经比较,EMD&GEP预测法比小波分析和GEP算法相结合的预测方法具有更好的预测效果.     

基于经验模态分解和基因表达式程序设计的电力系统短期负荷预测

提出将经验模态分解（EMD）和基因表达式程序设计（GEP）算法相结合的EMD&GEP预测法应用于电力系统短期负荷预测中,消除负荷样本中的伪数据,并对负荷样本序列进行经验模态分解得到不同频段的本征模态分量（IMF）和负荷剩余分量。运用基因表达式程序设计算法的灵活表达能力,把分解得到的不同频段的各负荷本征模态分量及负荷剩余分量中所对应的不同日、同一时刻的负荷序列作为样本,进行分时预测。把各负荷本征模态分量和负荷剩余分量中相对应的预测结果进行重构,作为各时刻负荷的最终预测值。EMD克服了小波分析中小波基选取困难的不足,结果表明各负荷本征模态分量能较准确反映负荷特征,而且经比较,EMD&GEP预测法比小波分析和GEP算法相结合的预测方法具有更好的预测效果。     

基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测

随着电力行业的不断发展,负荷预测的重要性也不断彰显,作为负荷预测的重要组成部分,短期负荷预测对于电力系统的调度运行、市场交易都有着重要的意义,精确的负荷预测有助于提高发电设备的利用率和经济调度的有效性。由于影响负荷数据的随机因素太多且具有较强非线性的特点,提出一种基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测方法。通过对某市负荷数据进行仿真,将仿真结果与其他传统预测方法结果相对比,最终证明长短期记忆神经网络模型的误差更低,具有较高的预测精度。同时将互补集合经验模态分解下的长短期记忆神经网络方法与其他分解方法下的长短期记忆神经网络模型预测结果进行对比,验证互补集合经验模态分解方法对提升预测精度的有效性。     

基于变分模态分解和深度学习的短期电力负荷预测模型

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要。提出一种基于变分模态分解(Variational Mode Decomposition, VMD)和长短期记忆(Long Short Term Memory, LSTM)神经网络的短期负荷预测模型。利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions, IMF),每个IMF结合LSTM进行预测,将各部分预测结果叠加得到VMD-LSTM模型的预测结果。分析实验结果,相比单一LSTM和经验模态分解(Empirical Mode Decomposition, EMD)组合LSTM预测方法,该方法能有效的提升负荷预测的准确性。     

空间负荷预测中确定元胞负荷合理最大值方法

针对实测的元胞负荷数据中存在随机波动现象而使空间负荷预测精度降低的问题,提出一种利用互补集合经验模态分解(CEEMD)和游程检验技术确定元胞负荷合理最大值的方法。该方法通过互补集合经验模态分解技术将各Ⅰ类元胞负荷序列分别进行分解,每个Ⅰ类元胞得到一组本征模态函数,采用游程检验技术对每个本征模态函数进行随机性检验,建立识别其中高频分量的判据,剔除刻画元胞负荷随机波动性的高频本征模态函数,对余下表征元胞负荷规律性与趋势性的本征模态函数进行重构得到主体分量,将其中最大值作为Ⅰ类元胞负荷合理最大值,最后利用该合理最大值进行基于Ⅰ类元胞和Ⅱ类元胞的空间负荷预测。工程实例表明了该方法正确有效。     

基于CEEMDAN与量子粒子支持向量机的电力负荷组合预测

为更精确地对电力系统负荷进行预测,提出一种基于添加自适应白噪声的完全集合经验模态分解与量子粒子支持向量机的组合预测方法。首先针对原始经验模态分解办法中存在的模态混叠及集合经验模态分解方法引入白噪声造成信号失真等问题,提出添加自适应白噪声的完全集合经验模态分解方法,并用其将原始信号分解到不同时间尺度。利用支持向量机方法分解结果分别进行预测,并采用量子粒子方法对支持向量机中的不敏感损失系数、惩罚系数及核宽度系数进行寻优,从而得到最好的预测结果。最后,通过对青海某区域的电力系统负荷预测,并引入不同方法进行对比,证实了该方法的有效性与实用性。     

基于经验模态分解和计量经济学模型及混沌模型的短期负荷预测

为提高短期电力负荷的预测精度,提出一种基于经验模态分解、计量经济学模型和神经网络混沌模型的组合预测方法.首先,利用经验模态分解将负荷序列分解成一系列本征模态函数及余项;其次,针对不同分量的特性,建立不同的模型进行预测;最后,将所有分量的预测值求和作为最终的预测结果.以美国宾夕法尼亚州-新泽西州-马里兰州(Pennsyl...     

基于改进型自适应白噪声完备集成经验模态分解的工业用户负荷预测方法

工业用户的负荷通常由多种负荷类型共同组成,结构较为复杂,并且常常含有较大的冲击性负荷.传统的负荷预测方法难以准确预测负荷突变,导致预测精度不高.将负荷分解成不同频率的分量再分别进行预测是较为可行的解决方式.提出了基于改进型自适应白噪声完备集成经验模态分解的工业用户负荷预测方法.首先,采用ICEEMDAN算法将工业用户的...     

基于EEMD-GRU-MLR的短期电力负荷预测EI北大核心CSCD

针对电力负荷随机性较强,预测精度不高的问题,通过构建集合经验模态分解(ensembleempiricalmode decomposition,EEMD)以及门控循环单元神经网络(gated recurrent unit neural network,GRU)和多元线性回归(multiple linearregression,MLR)组合而成的EEMD-GRU-MLR(EGM)预测方法,有效提高了电力负荷短期预测精度。首先通过集合经验模态分解将电力负荷数据分解为频率由高到低的不同本征模态函数(intrinsicmodefunctions,IMF),不同频率的本征模态函数分量代表了电力负荷不同的部分特征,随后分别使用多元线性回归方法和GRU神经网络方法对低频部分和高频部分进行快速准确的预测,最后将所得各预测结果组合后得到完整的预测结果。EGM预测方法不但能够对电力负荷的变化趋势进行有效预测,而且能够准确预测随机性较强的局部特征。最后通过实验验证,该方法有效地提高了负荷预测精度。     

基于EEMD-ARIMA模型的地区月负荷量预测

负荷预测是电网规划运行安排的基础,预测的准确性关系到电网安全、可靠和经济运行。为了解决原始数据不平稳造成预测精度低下的问题,本文提出了基于集合经验模态分解(EEMD)的自回归积分滑动平均(ARIMA)预测模型,对某地区的月负荷量做加噪处理后进行经验模态分解,使其分量平稳化,再对各分量进行ARIMA模型预测,最后将各预测结果相加得到最终预测值。算例表明,基于EEMD-ARIMA模型的地区月负荷量预测精度高于传统ARIMA模型。     

基于CEEMD-GRU模型的短期电力负荷预测方法

针对电力负荷序列不平稳、随机性强,直接输入模型会导致拟合效果差、预测精度低等问题,本文提出了一种基于添加互补白噪声的互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)以及门控循环单元神经网络(gated recurrent unit neural network, GRU)融合的预测方法。首先,针对传统经验模态分解(empirical mode decomposition, EMD)分解方法处理干扰信号大的序列时,存在的模态混叠问题,提出了CEEMD分解方法,加入互补白噪声,将原始序列分解成不同尺度的子序列,随后使用GRU神经网络,并优化网络超参数,从而获得最好的预测结果。通过实验证明,该方法重构误差小,预测效果好。     

基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法

短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism, LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。     

变分模态分解在光伏发电功率预测中的应用

准确可靠的光伏发电功率预测对制定高效智能的负荷调度策略具有重要的指导意义。不同于常规方法,提出了一种基于变分模态分解和差分整合移动平均自回归模型的组合预测方法。变分模态分解可将原始信号分解为若干个具有不同中心频率和频率带宽的模态函数;差分整合移动平均自回归模型可对每一个模态函数建立预测模型。实验结果表明本文所提方法在对光伏发电功率预测时,优于基于经验模态分解法和局部均值分解法的预测模型,具有较高的预测准确度和稳健性。     

基于EEMD-GABP的某地区短期负荷预测研究

电力系统负荷是具有典型周期性和随机性特点的非线性、非平稳时间序列的负荷系统。为了降低负荷序列的非线性,提高预测精度,提出了集总经验模态分解法(EEMD)和基于改进人工神经网络(GABP)的短期负荷预测法。运用EEMD将负荷序列分解成若干不同频率的平稳分量,突出原负荷数据局部特征,解决了经验模态分解法(EMD)中分类模糊问题,同时利用GABP网络进行预测,解决了BP容易陷入局部最优解的问题,选择合适的参数对各分量构造不同的EEMD-GABP预测模型,引入气象因子对各分量分别预测,重构后得到最终预测值。算例表明,基于EMD-GABP预测模型的负荷量预测精度高于差分整合移动自回归移动(ARIMA)模型、支持向量机(SVM)模型等传统模型,稳定性更强。     

基于多负荷特征和TCN-GRU神经网络的负荷预测

传统负荷预测未深入考虑负荷序列对模型预测精度的影响。为提高预测精度,提出了多负荷特征组合(multi-load feature combination, MLFC),并结合时间卷积网络(temporal convolution network,TCN)和门控循环单元(gated recurrent unit,GRU)构建了负荷预测框架。首先,引入负荷变化率特征和基于集合经验模态分解的负荷分量特征,并与负荷、日期特征构成MLFC;其次,选取TCN和GRU进行特征提取和预测,基于MLFC搭建MLFC-TCN-GRU预测框架;最后,采用不同模型验证所提方法。结果表明：MLFC有助于预测精度提升,且适用于不同模型。同时,MLFC-TCN-GRU相较于其他模型有着较高预测精度。     

基于CEEMD-RSVPSO-KELM的用户侧微电网 短期负荷预测

用户侧微电网负荷随机性强,短期负荷的预测精度对微电网的正常运行起着重要作用。提出了一种基于互补集成经验模态分解(CEEMD)和区域划分自适应变异粒子群(RSVPSO)算法优化核极限学习机(KELM)的负荷预测模型。采用互补集成经验模态分解将负荷序列分解为多组平稳的子序列,以减小不同局部信息之间的相互影响。针对粒子群算法易早熟和收敛速度慢的问题,利用区域划分来实现惯性权重和学习因子的自适应调整,提高粒子的全局寻优能力和搜索效率,并结合自适应变异操作避免陷入局部最优,加强核极限学习机预测精度。最后通过案例验证,所提模型的预测准确率约为98.114%,较其他预测模型具有更好的预测效果和实际应用意义。