Print

基于EEMD-GABP的某地区短期负荷预测研究

论文摘要

电力系统负荷是具有典型周期性和随机性特点的非线性、非平稳时间序列的负荷系统。为了降低负荷序列的非线性,提高预测精度,提出了集总经验模态分解法（EEMD）和基于改进人工神经网络（GABP）的短期负荷预测法。运用EEMD将负荷序列分解成若干不同频率的平稳分量,突出原负荷数据局部特征,解决了经验模态分解法（EMD）中分类模糊问题,同时利用GABP网络进行预测,解决了BP容易陷入局部最优解的问题,选择合适的参数对各分量构造不同的EEMD-GABP预测模型,引入气象因子对各分量分别预测,重构后得到最终预测值。算例表明,基于EMD-GABP预测模型的负荷量预测精度高于差分整合移动自回归移动（ARIMA）模型、支持向量机（SVM）模型等传统模型,稳定性更强。

论文目录

  • 0 引言
  • 1 EMD与EEMD
  • 2 人工神经网络
  •   2.1 静态前馈神经网络法
  •   2.2 遗传算法优化BP网络
  • 3 短期负荷预测模型
  •   3.1 EEMD-GABP的优势
  •   3.2 EEMD-GABP神经网络模型设计
  •   3.3 数据的处理
  • 4 算例分析
  •   4.1 样本选择与处理
  •   4.2 结果分析
  • 5 结语

    • 文章来源

    类型: 期刊论文

    作者: 郭威麟,蒋晓艳,罗意,韩钦

    关键词: 短期负荷预测,气象因子,集总经验模态分解法,遗传算法,静态前馈

    来源: 电力工程技术 2019年06期

    年度: 2019

    分类: 工程科技Ⅱ辑

    专业: 电力工业

    单位: 西藏农牧学院

    基金: 西藏科技厅地区自然科学基金资助项目“安全约束条件下的西藏电网消纳光伏发电能力研究”(XZ2018ZRG-12)

    分类号: TM715

    页码: 93-98

    总页数: 6

    文件大小: 477K

    下载量: 176

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/13066ad83be27eac59b1a214.html