文献类型：期刊文章

作　　者：杨维熙[1] 刘勇[2] 舒勤[1]

YANG Weixi;LIU Yong;SHU Qin(College of Electrical Engineering,Sichuan University,Chengdu 620065,Sichuan Province,China;Aba Power Supply Company,State Grid Sichuan Electric Power Company,Aba Tibetan and Qiang Autonomous Prefecture 623200,Sichuan Province,China)

机构地区：[1]四川大学电气工程学院,四川省成都市620065 [2]国网四川省电力公司阿坝供电公司,四川省阿坝藏族羌族自治州623200

出　　处：《电网技术》

年　　份：2022

卷　　号：46

期　　号：9

起止页码：3615-3622

语　　种：中文

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

摘　　要：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IMF_(1)的独立成分,其余的本征模态函数进行重构得到IMF_(cg),分别运用不同的方法对IMF_(1)、IMF_(cg)、RES进行预测,最后将IMF_(1)、IMF_(cg)、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。

关 键 词：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  

分 类 号：TM715]