基于EEMD的多频组合短期负荷预测

发布时间：2020-05-12 04:37

【摘要】：短期负荷预测是能量管理系统的组成部分,也是电力系统运行调度中的重要内容,对电力系统的运行、控制和计划都有着非常重要的意义,其预测精度的高低直接影响到电力系统的安全性和经济性。为使电力系统合理调度,制定合理的发电计划、减少发电成本、节能减排、降低旋转储备量,避免重大事故、减少操作风险,决定发电机组的安装容量大小,等等,应提高电力负荷预测的技术水平。可见,负荷预测先期定量的精准程度是电力企业管理迈进现代化的衡量标尺之一。电力系统负荷预测在经过很多年的发展已经形成了很多预测方法,其中有很多已经非常成熟,并开始运用于社会生产中。在现有的预测方法中,不同的预测方法有其自身的优缺点。电力系统负荷易受到政治、历史负荷值、天气和时间的影响,因而具有非线性和多频性。用已有的负荷预测方法单独去预测电力负荷,无法很好地捕捉到电力系统负荷的多频性与非线性。基于此,本文根据已有预测方法的优缺点,提出“分解-多模型组合预测-集成”的预测方法,旨在充分利用电力系统负荷的多频性与非线性。在现有的研究中,已经有人使用经验模态分解(EMD)对负荷进行分解,但EMD在分解过程中会出现模态混叠和虚假分量。因此本文首先使用建立在经验模态分解方法(EMD)基础上的集合经验模态分解(EEMD)以此改善信号分解过程中出现的模态混叠现象和虚假分量,并使用该分解方法对电力负荷数据进行分解,得到具有不同特征的模态分量,并根据其波动特征分为高频分量、中频分量和低频分量。然后根据各频分量的波动特点,分别使用小波神经网络法、非线性自回归模型法和支持向量机法对高频、中频、低频分量进行预测,以此来改善单模型预测方法带来的局限性,并充分利用电力系统负荷的多频性。此外,在预测过程中使用粒子群优化算法对各个预测模型的参数进行寻优,以此提高各模型预测精度。在得到各频分量的预测值后,通过支持向量机法进行集成,即以各分量的样本值作为训练输入,实际负荷值作为训练输出,训练模型。模型训练完成后,以各分量预测值作为输入,通过训练好的模型将各频分量预测值进行集成,得到最终的电力系统负荷预测值。最后采用西安地调和榆林地调某年的数据为研究样本,即在建立好上述的预测模型后,分别将两个地区的数输入至模型中进行电力负荷预测。在预测结束后,将最终的预测结果通过平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对相对误差(MAPE)与单一预测模型和EMD分解模型进行比较。通过对比发现,本文使用的方法较其他方法预测精度更加精确。
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM715

【相似文献】

相关期刊论文 前10条

1 郑建柏;;基于朴素贝叶斯和支持向量机的短期负荷预测[J];电力安全技术;2016年12期

2 连楷敏;陈冬沣;肖建华;;基于气象信息因素修正的灰色短期负荷预测研究[J];自动化应用;2016年12期

3 林佳亮;李暖群;黄庆键;;基于支持向量机方法的短期负荷预测研究[J];自动化应用;2016年12期

4 黎强;;分类管理方法在短期负荷预测工作中的应用[J];农村电工;2017年04期

5 樊唯钦;张伟;李勇钢;王家武;;基于改进人体舒适指数的微电网超短期负荷预测[J];广东电力;2017年04期

6 黄小耘;欧阳卫年;吴树鸿;李高明;金鑫;杨少将;;实时电价条件下的短期负荷预测研究[J];自动化与仪器仪表;2016年05期

7 张超;陈晓英;焦建立;潘超;司玮玮;;电力系统超短期负荷预测方法及应用[J];硅谷;2014年20期

8 李真;;基于云计算的扩展短期负荷预测方法的研究[J];科技视界;2014年36期

9 梁静;瞿博阳;宋慧;刘巍;;电业超短期负荷预测仿真研究[J];计算机仿真;2015年07期

10 张超;任国臣;牛艺桥;蒋蕾;贾书文;;基于时间序列法超短期负荷预测改进方法的研究[J];辽宁工业大学学报(自然科学版);2015年05期

相关会议论文 前10条

1 朱桂华;赖晓平;云昌钦;;在线短期负荷预测方法的研究与应用[A];1995年中国控制会议论文集（上）[C];1995年

2 高荣;刘晓华;;基于小波变换的支持向量机短期负荷预测[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年

3 杜俊红;滕欢;滕福生;;在线超短期负荷预测的分析与应用研究[A];2006中国电力系统保护与控制学术研讨会论文集[C];2006年

4 胡宏;顾斌;蔡冬阳;马晓东;车伟;顾杨青;;基于大数据的分布式短期负荷预测及其架构设计[A];2016智能电网发展研讨会论文集[C];2016年

5 胡松峰;彭显刚;;电网短期负荷预测方法综述[A];武汉(南方九省)电工理论学会第22届学术年会、河南省电工技术学会年会论文集[C];2010年

6 姚宇臻;;采用决策树技术的短期及超短期负荷预测软件在福建电网的运用[A];福建省科学技术协会第七届学术年会分会场——提高水力发电技术 促进海西经济建设研讨会论文集[C];2007年

7 张博海;何星;章渊;;基于循环神经网络的电网短期负荷预测研究[A];第37届中国控制会议论文集（F）[C];2018年

8 谭洪艳;郭继平;陈飞;;基于径向基网络的燃气短期负荷预测[A];中国土木工程学会城市燃气分会输配专业委员会2005年会议论文集[C];2005年

9 李新明;李艳红;张伟;;电网短期负荷分线分站预测研究及应用[A];山东电机工程学会2012年度学术年会论文集[C];2012年

10 刘明;;基于新型试凑法BP模型的短期负荷预测[A];智慧城市电力科技论坛论文集（2014年第1辑 总第176辑）[C];2014年

相关重要报纸文章 前4条

1 通讯员池长斌;宁夏电网短期负荷预测西北第一[N];中国电力报;2011年

2 通讯员 池长斌;宁夏电力短期负荷预测保持领先[N];中国电力报;2011年

3 张树斌 范明;湖北电网中、短期负荷预测系统显神威[N];华中电力报;2001年

4 郭洪敏;重视清洁能源上网 呵护一方碧水蓝天[N];国家电网报;2009年

相关博士学位论文 前10条

1 程其云;基于数据挖掘的电力短期负荷预测模型及方法的研究[D];重庆大学;2004年

2 雷绍兰;基于电力负荷时间序列混沌特性的短期负荷预测方法研究[D];重庆大学;2005年

3 卢芸;短期电力负荷预测关键问题与方法的研究[D];沈阳工业大学;2007年

4 叶彬;混合智能建模技术及其在短期负荷预测中的应用研究[D];浙江大学;2006年

5 王志勇;数据挖掘方法在短期负荷预测中的应用研究[D];浙江大学;2007年

6 吴宏晓;基于软计算方法的电力系统负荷预测[D];上海交通大学;2007年

7 郑永康;相空间重构与支持向量机结合的短期负荷预测研究[D];西南交通大学;2008年

8 苏庆新;区域电力系统超短期负荷预测及网络建模分析[D];东华大学;2008年

9 郎坤;电力系统短期负荷预测及经济调度决策优化研究[D];大连理工大学;2016年

10 张国江;软计算方法和数据挖掘理论在电力系统负荷预测中的应用[D];浙江大学;2002年

相关硕士学位论文 前10条

1 苏丽;基于深度学习的智能电网负荷优化预测研究[D];贵州师范大学;2019年

2 李向军;基于EEMD的多频组合短期负荷预测[D];西安理工大学;2019年

3 张鹏翔;海上油田群电网短期负荷预测研究[D];西南石油大学;2018年

4 张书;基于函数型数据分析的短期电力负荷预测研究[D];厦门大学;2018年

5 薛琳;基于用电行为分析的低冗余特征配电网短期负荷预测研究[D];东北电力大学;2019年

6 聂晓羽;安阳电网短期负荷预测的研究[D];郑州大学;2019年

7 齐斌;计及多源气象信息与评价指标冲突的概率短期负荷预测[D];东北电力大学;2019年

8 徐达飞;电力系统短期负荷预测方法研究[D];东北大学;2015年

9 卜科学（Boiko Oleksandr）;[D];兰州交通大学;2018年

10 杨修德;基于XGBoost的超短期负荷预测研究[D];宁夏大学;2018年

，

本文编号：2659668