文献类型：期刊文章

作　　者：王煜尘[1,2] 窦银科[1] 孟润泉[1]

WANG Yuchen;DOU Yinke;MENG Runquan(College of Electrical and Power Engineering,Taiyuan University of Technology,Taiyuan 030024,China;Key Laboratory for Polar Science of Ministry of Natural Resources,Polar Research Institute of China,Shanghai 200136,China)

机构地区：[1]太原理工大学电气与动力工程学院,太原030024 [2]自然资源部极地科学重点实验室中国极地研究中心,上海200136

出　　处：《高电压技术》

基　　金：国家重点研发计划(2016YFC1400302);国家自然科学基金(U1610121);山西省科技重大专项(20181102028)。

年　　份：2022

卷　　号：48

期　　号：4

起止页码：1308-1319

语　　种：中文

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

摘　　要：电力系统的运行和控制中,短期负荷预测(short-term load forecasting,STLF)起着至关重要的作用。由于负荷的随机性和复杂性,准确预测负荷成为一项挑战。该文将结合了模糊C均值聚类(fuzzy C-means clustering,FCM)理论、变分模态分解(variational modal decomposition,VMD)和混沌粒子群优化(chaotic particle swarm optimization,CPSO)算法的多核极限学习机(multi-kernel extreme learning machine,MKELM)引入到预测模型中,构建聚类、分解、优化、训练、预测的负荷预测模型。然后基于已用于中国南极内陆泰山站能源系统的短期负荷预测应用案例,在原有模型基础上改进后获得适用于中国国内用电负荷预测模型。模型训练结果对比表明,该新模型在负荷短期预测中具有较高精度,能够反映区域用电负荷的变化趋势,研究成果为各种场景的用电负荷预测提供了新方法和新思路。

关 键 词：模糊C均值聚类 变分模态分解  混沌粒子群优化 多核极限学习机  短期负荷预测

分 类 号：TM715] TP18]