文献类型：期刊文章

作　　者：吴松梅[1] 蒋建东[1] 燕跃豪[2] 鲍薇[2]

WU Songmei;JIANG Jiandong;YAN Yuehao;BAO Wei(School of Electrical Engineering,Zhengzhou University,Zhengzhou 450000,China;Zhengzhou Power Supply Company,State Grid Henan Electric Power Company,Zhengzhou 450000,China)

机构地区：[1]郑州大学电气工程学院,郑州450000 [2]国网河南省电力公司郑州供电公司,郑州450000

出　　处：《电力系统及其自动化学报》

基　　金：国家自然科学基金资助项目(51507155);河南省研究生教育改革与质量提升工程项目(YJS2021JD02)。

年　　份：2022

卷　　号：34

期　　号：5

起止页码：18-25

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为提高短期负荷预测精度,解决核极限学习机单一核函数难以适应负荷多数据特征的问题,提出了一种基于变分模态分解与粒子群优化的多核极限学习机模型。该模型采用变分模态分解技术将原始负荷序列分解为具有不同特征频率的子序列,并对每个子序列建立预测模型。负荷预测模型采用粒子群优化的多核极限学习机,其使用混合核函数代替单一的核函数,使其在不同的参数下不仅有良好的局部搜索能力,同时也加强了全局搜索能力。实验表明,该模型拥有更好的回归精度和泛化能力,能够得到更精确的预测结果。

关 键 词：变分模态分解  粒子群优化算法  核函数 多核极限学习机  短期负荷预测

分 类 号：TM715]