基于补充集合经验模态分解的短期负荷预测模型

作者：杨维熙; 刘勇; 舒勤^*

来源：电网技术, 2022, 46(09): 3615-3623.

DOI：10.13335/j.1000-3673.pst.2021.2583

• 负荷预测
• 补充集合经验模态分解
• 奇异值分解
• 广义回归神经网络
• 独立成分分析

电力负荷预测关乎电量调配和系统运行。针对短期负荷预测,采用补充集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)算法,结合传统算法和机器学习算法的优势,提出了一种组合预测模型。模型先将原始数据通过奇异值分解(singular value decomposition, SVD)算法进行降噪,再对所得数据进行CEEMD,可得到频率各异的本征模态函数(intrinsic mode functions,IMF)和剩余分量(residual component,RES)。采用独立成分分析(independent component analysis,ICA)提取高频IMF1的独立成分,其余的本征模态函数进行重构得到IMFcg,分别运用不同的方法对IMF1、IMFcg、RES进行预测,最后将IMF1、IMFcg、RES的预测值相加作为真正的预测值。根据实验数据可得,所提模型能充分利用、发掘负荷数据的内在特征,预测效果更佳,可作为负荷预测的参考。

• 单位
  四川大学; 国网四川省电力公司阿坝供电公司