文献类型：期刊文章

作　　者：方娜[1,2] 陈浩[1,2] 邓心[1,2] 肖威[1,2]

FANG Na;CHEN Hao;DENG Xin;XIAO Wei(Hubei Key Laboratory for High-efficiency Utilization of Solar Energy and Operation Control of Energy Storage System,School of Electrical and Electronic Engineering,Hubei University of Technology,Wuhan 430068,China;Hubei Engineering Research Center for Safety Monitoring of New Energy and Power Grid Equipment,School of Electrical and Electronic Engineering,Hubei University of Technology,Wuhan 430068,China)

机构地区：[1]湖北工业大学电气与电子工程学院太阳能高效利用及储能运行控制湖北省重点实验室,武汉430068 [2]湖北工业大学电气与电子工程学院新能源及电网装备安全监测湖北省工程研究中心,武汉430068

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(51809097);湖北省教育厅科学技术研究计划指导性项目(B2018044);太阳能高效利用湖北省协同创新中心开放基金资助项目(HBSKFQN2016007);长江科学院开放研究基金资助项目(CKWV2018496/KY)。

年　　份：2023

卷　　号：35

期　　号：6

起止页码：59-65

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对短期电力负荷预测精度不足的问题,提出一种基于变分模态分解、深度信念网络、差分自回归移动平均模型的组合预测模型。首先选取电力负荷影响较大的相关参数,采用变分模态分解将负荷数据分解为低频和高频两种分量;然后利用差分自回归移动平均模型和深度信念网络分别对低频和高频两种分量进行预测,为克服深度信念网络参数随机化的缺陷,采用粒子群优化算法优化模型以进一步提高精度;最后组合各模型结果得到最终预测值。实验结果表明,该组合模型较其他模型具有更好的预测性能。

关 键 词：短期负荷预测 变分模态分解  深度信念网络  粒子群优化算法  差分自回归移动平均模型  

分 类 号：TM715]