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。     

基于改进EMD-PSVM的短期负荷预测

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。为了降低负荷序列的非线性,提高预测精度,提出了结合经验模态分解EMD和支持向量机SVM的改进短期负荷预测法。运用EMD将负荷序列分解成若干不同频率的平稳分量,突出原负荷局部特征,并采取极值延拓法减弱端点效应,同时利用PSO寻优,选择合适的参数对各分量构造不同的EMD-PSVM预测模型,将各分量预测结果重构后得到最终预测值。通过算例分析,与EMD-SVM及BP神经网络预测法比较,验证了改进EMD-PSVM模型能够有效提高预测精度,稳定性较强。     

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。     

基于EMD和ABC-SVM的光伏并网系统输出功率预测研究

针对光伏发电系统的输出功率具有非平稳性和随机性的特点,提出一种基于经验模态分解(EMD)和人工蜂群算法(ABC)优化支持向量机(SVM)的光伏并网系统输出功率预测模型。首先根据预测日的天气预报数据,构建相似日的15 min输出功率时间序列。然后,将输出功率时间序列进行经验模态分解,得到不同尺度下的固有模态分量IMFn和趋势分量Res,针对每个IMF分量和趋势分量分别建立相应的支持向量机预测模型,并对SVM模型参数进行人工蜂群算法寻优预处理。最后,将每个模型预测的结果进行合成重构,得到光伏并网系统输出功率的预测值。通过实际数据测试表明:基于EMD和ABC-SVM的功率预测模型同单一SVM预测模型及未经优化的EMD-SVM预测模型相比,具有更快的运算速度和更高的预测精度。     

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。     

基于经验模式分解的风电场风速趋势预测研究

风速预测对风电场和电力系统的运行具有重要意义。对风速进行准确的预测可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争力。由于风速时间序列的非线性和非平稳性,传统的预测方法难以对其准确预测。该文提出将经验模式分解与最小二乘法相结合对风速时间序列进行建模预测。对风速时间序列进行经验模式分解可以得到若干不同频率的平稳分量和趋势项;以趋势项为自变量,建立二元线性回归分析的预测模型,依据最小二乘法原理来获取预测模型的两个系数;再利用预测模型对未来风速变化趋势进行预测。仿真结果验证了此方法的有效性。     

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。     

基于经验模态分解与特征相关分析的短期负荷预测方法

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。     

基于因散经验模式分解的电力负荷混合预测方法

针对目前常用负荷分析方法多依赖主观经验,而经典经验模式分解有时出现混频现象的问题,提出了一种基于因散经验模式分解的电力负荷混合预测方法。首先,采用经验模式分解的改进算法——因散经验模式分解将负荷序列分解,这样可以自适应地将目标序列分解为若干个独立的内在模式,因此能够克服依赖主观经验的缺点。然后,将这些内在模式基于fine-to-coarse重构为高频、低频和趋势3个分量。在对各分量特性进行分析的基础上,分别采用支持向量机、自回归移动平均和线性回归模型对其进行预测。最后,将3个分量的预测结果叠加作为最终的预测值。利用上述方法对某电网进行24点负荷预测,结果表明该方法可以有效地提高负荷预测精度。