文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.200036
中文引用格式： 徐少波，李鑫，劉海濤，等. 基于EMD-DA-LSSVM的短期電力負荷預測研究[J].電子技術(shù)應用，2020，46(11)：96-99，103.
英文引用格式： Xu Shaobo，Li Xin，Liu Haitao，et al. Study on short term power load forecast using EMD-DA-LSSVM[J]. Application of Electronic Technique，2020，46(11)：96-99，103.
0 引言
短期電力負荷預測是負荷預測的重要組成部分，主要分為超短期、短期、中長期和長期預測，其對經(jīng)濟調(diào)度、電力市場交易、調(diào)整機組組合以及最優(yōu)潮流具有重要意義[1]。短期電力負荷的準確預測對合理地安排發(fā)電計劃和運行計劃有重要作用，同時能夠降低發(fā)電成本，提升電力生產(chǎn)運營的經(jīng)濟性。因此，如何提升短期負荷預測的精準性，是受到廣泛關(guān)注的熱點問題，也是難點問題。
目前，常用負荷預算方法主要有時間序列法、外推法、回歸分析法、極限學習機、人工神經(jīng)網(wǎng)絡(luò)法、小波分析法、灰色系統(tǒng)法以及支持向量機等。文獻[2]提出一種基于混沌時間序列的負荷預測方法，雖然該方法一定程度上有助于提升負荷預測效果，但是精度還有待提高。文獻[3]提出了基于組合灰色模型的全新短期電力負荷預測模型，結(jié)果表明該模型適合呈現(xiàn)指數(shù)變化的負荷預測，對于其他變化類型的負荷預測的預測精度較低。文獻[4]提出一種基于BP神經(jīng)網(wǎng)絡(luò)的短期負荷預測方法，該方法存在訓練時間過長的缺點，由于氣象因素的影響導致負荷預測精度較低。文獻[5]提出一種基于網(wǎng)格搜索優(yōu)化支持向量機(Support Vector Machine，SVM)的短期負荷預測模型，該方法具有較好的預測效果，但是會耗費大量時間，實時性較差。為了進一步優(yōu)化最小二乘支持向量機(Least Squares Support Vector Machine，LSSVM)的性能，文獻[6]融合模擬退火算法(Simulated Annealing，SA)和LSSVM模型，運用SA算法優(yōu)化LSSVM模型的懲罰參數(shù)C和核參數(shù)g，提出一種基于SA-LSSVM的短期電力負荷預測方法，從而提高了負荷預測的精度。
本文考慮電力負荷數(shù)據(jù)的非線性和非平穩(wěn)性，建立了基于EMD-DA-LSSVM的用電負荷預測模型。首先，采用EMD分解短期電力負荷數(shù)據(jù)，獲得互不耦合的IMF分量；其次，針對各IMF分量建立最優(yōu)參數(shù)下的EMD-DA-LSSVM短期電力負荷預測模型，重構(gòu)得到預測值。通過算法驗證分析，與LSSVM、DA-LSSVM和EMD-LSSVM相比，EMD-DA-LSSVM模型具有更高的預測精度，短期電力負荷預測精度高達2.203%，從而說明EMD-DA-LSSVM進行短期電力負荷預測的有效性和可行性。
本文詳細內(nèi)容請下載:http://m.jysgc.com/resource/share/2000003065
作者信息:
徐少波1，李 鑫1，劉海濤1，魏 麗2
(1.國網(wǎng)十堰供電公司，湖北 十堰442000；2.武漢工程大學，湖北 武漢430070)