集成经验模态分解与深度学习的用户侧净负荷预测算法

作者：刘友波; 吴浩; 刘挺坚^*; 杨智宇; 刘俊勇; 李秋航

来源：电力系统自动化, 2021, 45(24): 57-64.

DOI：10.7500/AEPS20210517007

• 净负荷预测
• 自适应噪声的完全集成经验模态分解
• 深度信念网络
• 时序预测

随着用户侧分布式能源发电容量增长,配电网净负荷需求预测面临着更大困难。为此,提出一种改进的自适应噪声的完全集成经验模态分解(CEEMDAN)和深度信念网络(DBN)结合的用户侧净负荷预测方法。首先,通过CEEMDAN将原始净负荷数据分解为若干个频率、幅值不一的本征模态函数(IMF)。然后,配合机器学习智能算法,使用DBN逐一对各个IMF分量进行特征提取和时序预测。最后,将多个目标预测结果累加得到最终用户侧短期净负荷预测结果。采用某地区实际数据进行算例分析,验证了所提CEEMDAN-DBN独立预测模型与直接预测相比,能够辨识各频率负荷分量特性,提高分布式能源与负荷耦合性增强背景下的负荷预测精度。

• 单位
  四川大学