文献类型：期刊文章

作　　者：苏娟[1] 方舒[1] 刘博[2] 杜松怀[1] 单葆国[3] 高天[1]

Su Juan;Fang Shu;Liu Bo;Du Songhuai;Shan Baoguo;Gao Tian(College of Information and Electrical Engineering,China Agricultural University,Beijing 100083,China;State Grid Beijing Chaoyang Electric Power Supply Company,Beijing 100124,China;State Grid Ene)

机构地区：[1]中国农业大学信息与电气工程学院,北京100083 [2]国网北京市电力公司朝阳供电公司,北京100124 [3]国网能源研究院有限公司,北京102209

出　　处：《农业工程学报》

基　　金：国家重点研发项目(2016YFB0900100);国家自然科学基金项目(51707197);国家电网公司科学技术项目(SGTYHT/17-JS-199)。

年　　份：2021

卷　　号：37

期　　号：14

起止页码：186-196

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：随着电力市场化改革的深入推进,电力系统运行呈现出更强的灵活性和不确定性,对短期负荷精准预测提出了更高的要求。为有效协调发电、输电、配电、用电的关系,增强电力系统日运行调度的安全稳定性,该研究提出了一种基于模态组合的短期负荷预测方法。从时域和频域2个维度提出了负荷序列和影响因素序列分解评价方法,得到改进的变分模态分解法(Variational Mode Decomposition,VMD),对原始日负荷序列及影响因素序列进行分解,并采用粒子群优化算法(Particle Swarm Optimization,PSO)对VMD的参数寻优。根据原始序列分解情况,对比各影响因素模态序列与负荷序列的频域特征,筛选出与负荷序列特征相近的模态并将其进行线性叠加组合,得到多个整合后的组合模态序列,以确定预测模型的输入量;分别利用粒子群优化的最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型进行负荷预测。算例结果表明,相比于直接采用PSO-LSSVM方法,本文提出的基于模态组合的短期负荷预测方法的最大相对误差降低了3.36个百分点,平均相对误差降低了1.71个百分点,最大绝对误差降低了95 MW,平均绝对误差降低了55.72 MW,短期负荷预测的精度得到明显提升。

关 键 词：算法  电能 短期负荷预测 变分模态分解  模态组合  电力市场 评价指标

分 类 号：TM715]