基于经验模式分解与纵横交叉算法的台区负荷预测

作者：白格平; 李英俊; 付宁; 朱生荣^*

来源：自动化仪表, 2021, 42(11): 63-73.

DOI：10.16086/j.cnki.issn1000-0380.2020070048

• 负荷预测
• 模式分解
• 纵横优化交叉算法
• 极限学习机
• 组合预测
• 冲击负荷
• 预测精度
• 泛化能力

准确的负荷预测可以优化各种能源配置，进一步节约能源。但随着新能源的快速发展以及大量应用，越来越多的光伏和风电资源并网，导致电网出现了大量的冲击性负荷，对负荷预测造成了很大的困难。为了降低预测难度，采用经验模式分解(EMD),将不平稳的原始负荷序列分解成一系列较为平稳的负荷子序列。极限学习机(ELM)只需设置隐含层神经元的个数，便可获得唯一的最优解。但由于其输入层权重和隐含层阈值的产生不是固定的，导致预测结果波动性大。为了进一步提高预测精度，使用纵横交叉优化(CSO)算法优化ELM,并对每一条负荷子序列建模。最后，将各个模型的预测结果叠加以获得最终的预测值。试验结果表明，所提出的预测模型的预测精度和收敛速度均优于其他预测模型。

• 单位
  内蒙古电力（集团）有限责任公司