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。     

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Akima-LMD和GRNN的短期负荷预测

传统局域均值分解(LMD)对极值点采用了滑动平均值处理得到局域均值函数和局域包络函数,易造成分解的分量过平滑而影响精度。为了减小过平滑影响,采用Akima插值法代替滑动平均值法处理局域函数来改进LMD算法,针对电力系统负荷序列的非平稳性和非线性,利用改进LMD算法进行序列分解得到若干分量,再利用广义回归神经网络(GRNN)预测各个分量的趋势,叠加各分量趋势得到负荷序列总趋势。GRNN神经网络较传统神经网络训练速度快、精度高,能很好地预测非线性序列。算例分析表明,改进LMD结合GRNN的方法较经验模态分解(EMD)结合GRNN的方法在短期电力负荷预测中有更高的预测精度。     

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.     

基于经验模式分解和神经网络的短期风速组合预测

风速时间序列具有很强的间歇性和随机性,属于非平稳时间序列。为提高预测精度,提出了经验模式分解法（EMD）和神经网络相结合的短期风速组合预测模型。该方法运用EMD将风速序列分解为一系列不同频率的相对平稳的分量,减少了不同特征信息之间的干扰;根据各个分量的变化规律,选择合适的神经网络模型来分别预测,对高频分量采用神经网络组合预测模型,低频分量采用合适的预测模型直接进行预测;将各分量预测值叠加得到最终预测值。算例结果表明,所提方法与单一的径向基神经网络模型（RBF）和支持向量机模型（SVM）相比,预测精度得到了大幅度的提高。     

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。     

基于经验模态分解和支持向量机的短期风电功率组合预测模型

针对风速序列随时间、空间呈现非平稳性变化的特征,提出一种基于经验模态分解（empirical mode decomposition,EMD）和支持向量机（support vector machine,SVM）的EMD-SVM短期风电功率组合预测方法。该方法首先利用EMD将风速序列分解为一系列相对平稳的分量,以减少不同特征信息间的相互影响;然后利用SVM法对各分量建立预测模型,针对各序列自身特点选择不同的核函数和相关参数来处理各组不同数据,以提高单个模型预测精度。最后将风速预测结果叠加并输入功率转化曲线以得到风电功率预测结果。研究结果表明,EMD-SVM组合预测模型能更好地跟踪风电功率的变化,其预测误差比单一统计模型降低了5%~10%,有效地提高了短期风电功率预测的精度。     

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EMD和RBFNN的短期风速预测

针对风速非平稳、非线性的特点,为提高短期风速预测准确性与快速性,建立了EMD-RBFNN预测模型。利用经验模态分解(EMD)将风速时间序列分解为具有相同特征尺度的相对平稳的本征模态(IMF)分量,以实现风速时间序列信号平稳化;针对各个模态分量的特性,采用径向基函数神经网络模型(RBFNN)对各个模态分量分别进行预测,选用正交最小二乘法来最大限度减少错误率,最后将各IMF-RBFNN预测结果进行重构得到最终预测值;设计并实现了基于GUI交互式界面的多功能短期风速预测系统。实验结果表明,EMD-RBFNN预测模型有效提高了短期风速预测精度,具有一定的实用价值。     

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.     

基于改进EMD和RBFNN的短期风速预测模型

为提高短期风速预测精度,提出改进经验模态分解法(empirical mode decomposition,EMD)与径向基函数神经网络(radial basis function neural network,RBFNN)相结合的短期风速预测模型。首先,利用极值点对称延拓法对预处理过的风速序列进行处理,以抑制传统EMD在分解过程中所引起的边缘效应,并引用分段三次埃米特插值法解决传统EMD包络线的过冲或欠冲问题;然后,利用改进EMD将风速序列分解成各本征模态(intrinsic mode function,IMF)分量,再针对各分量分别构建各自的RBFNN模型进行预测;最后,将各分量的预测结果进行重构、叠加,得到最终的原始风速预测值。实验结果表明,改进的EMD-RBFNN预测模型能有效地提高风速预测精度,并具有一定的应用价值。     

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EMD和SVM的风电功率组合预测方法

高准确度的短期风电功率预测对大规模风电的安全并网运行有着重要意义。为了改进功率快速波动时预测系统的准确度,针对风电场输出功率序列随时间、空间呈现非平稳性变化的特征,提出基于经验模态分解(Empirical Mode Decomposition,EMD)和支持向量机(Support Vector Machine,SVM)的组合预测模型。该方法先利用EMD将建模样本中的功率序列按不同波动尺度分解为相对平稳的独立正交分量,以减少不同特征分量的相互影响;然后对分解出来的每个正交分量分别建立预测模型,通过网格寻优法优化SVM参数,提高对不同尺度功率波动的预测准确度;最后采用改进的IOWA加权方式将各分量预测模型的预测值加权得到总的预测功率。短期预测算例结果表明,EMDSVM模型下采用改进的IOWA加权方式与单一多项式和支持向量机相比,具有更高的功率预测准确度。     

一种基于EMD的短期风速多步预测方法

针对风速时间序列的非线性和非平稳性,提出了一种基于经验模式分解(EMD)的短期风速多步预测新方法。该方法首先对风速时间序列进行EMD处理,将其分解为一系列相对平稳的分量,以减少不同特征信息之间的干涉;然后利用游程判定法,将波动程度相近的分量重构为高-中-低频三个分量,使所得分量特征信息集中且预测分量大幅减少;之后针对三分量的特征分别建立相应的多步预测模型;最后将三分量的多步预测结果进行自适应叠加作为最终的预测风速。算例结果表明,运用本文方法使风速多步预测的精度得到了大幅提高,同时在风速波动剧烈时也能保证较好的预测效果。     

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。