基于变分模态分解和极限学习机的短期负荷预测方法研究

发布时间：2021-07-11 06:15

　　短期负荷预测是电网维持经济运行以及实现安全稳定控制不可或缺的基础,使用其制定最节约的用电安全要求、确定运行约束、和外界的设备限制运行方案,为发电计划程序提供数据等,其对电网运行的经济性、安全性和可靠性有着极为关键的作用。由于传统的预测方法预测的精度普遍不高,所以,提出更好的预测方法和理论一直都是学者们的研究热点。鉴于上述问题,本文提出了一种基于变分模态分解（VMD）和极限学习机（ELM）的组合预测模型,先利用VMD分解历史负荷功率时间序列,可以获得一组相对平稳的模态分量,之后对各模态分量分别组建ELM模型进行预测,最终把所有预测结果相累加即为最后的预测结果。实验结果证明,该模型充分体现了VMD和ELM各自的优点,可以完成既准确又快速的预测。本文首先对VMD在多尺度模态分解中的优势进行了分析与比较,相较于经典模态分解（EMD）,应用VMD分解所得数据进行预测具有更好的效果,而且,VMD结合格拉姆施密特正交化,可以进一步提升VMD在特征提取上的效果,因而可得出结论VMD更适合应用于组合预测模型当中。之后通过MATLAB仿真工具,对于所提出的预测模型,利用实际负荷数据进行了短期负荷预测的仿真... 

【文章来源】：东北石油大学黑龙江省

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

根据预测时间对负荷预测类型的分类短期以及超短期负荷预测在电力系统运行中有着十分重要的作用，其原因是短期负

图 2-1 神经元结构示意图神经元的输入和输出满足如下的关系式：1( )ni iiy g w x b 在图(2-1)中， ( 1,2, , )x i n是神经元的输入信号， g ( )是激励函数，一般常

图 2-2 前馈型神经网络的网络模型递归型神经网络归型神经网络的特点是具有反馈性，所以还可称之为反馈神经网络(F)，递归型神经网络的输入包含两部分，其一为有延迟的输入，其二是。递归型神经网络的网络模型如图 2-3 所示。在众多递归型神经网络模

【参考文献】：
期刊论文
[1]基于VMD和ELM的超短期负荷预测方法[J]. 孟凡煦,张琰骏.  国外电子测量技术. 2019(01)
[2]基于告警时序的输电设备故障定位方法的研究[J]. 闫丽梅,周忠媛,徐建军,王宏宇,宋佳琳.  电力系统保护与控制. 2018(07)
[3]基于VMD与PSO优化深度信念网络的短期负荷预测[J]. 梁智,孙国强,李虎成,卫志农,臧海祥,周亦洲,陈霜.  电网技术. 2018(02)
[4]混合能源协同控制的智能家庭能源优化控制策略[J]. 徐建军,王保娥,闫丽梅,李战平.  电工技术学报. 2017(12)
[5]灰色理论–变分模态分解和NSGA-Ⅱ优化的支持向量机在变压器油中气体预测中的应用[J]. 肖怀硕,李清泉,施亚林,张同乔,张纪伟.  中国电机工程学报. 2017(12)
[6]基于VMD-SE和机器学习算法的短期风电功率多层级综合预测模型[J]. 张亚超,刘开培,秦亮.  电网技术. 2016(05)
[7]基于EMD与ELM的光伏电站短期功率预测[J]. 李多,董海鹰,杨立霞.  可再生能源. 2016(02)
[8]基于VMD和TEO的高压输电线路雷击故障测距研究[J]. 高艳丰,朱永利,闫红艳,武英杰.  电工技术学报. 2016(01)
[9]电业超短期负荷预测仿真研究[J]. 梁静,瞿博阳,宋慧,刘巍.  计算机仿真. 2015(07)
[10]改进极限学习机应用于电网故障诊断[J]. 夏威,张麟,袁秋实,陈国新,马松涛,刘涌,李皓岩.  电网与清洁能源. 2015(04)

博士论文
[1]基于变分模态分解的风电机组传动系统故障诊断研究[D]. 武英杰.华北电力大学(北京) 2016

硕士论文
[1]基于变分模态分解和支持向量机的风电机组振动故障诊断[D]. 李涛涛.西安理工大学 2018
[2]短期电力负荷预测方法的研究与应用[D]. 余波.南昌大学 2018
[3]基于ELM-VMD混合模型的碳价预测研究[D]. 全从新.华北电力大学 2018
[4]基于变分模态分解及魏格纳威尔分布的电缆故障定位方法研究[D]. 李波.华南理工大学 2017
[5]基于GSO-ELM的锂离子电池剩余寿命间接预测方法研究[D]. 吴婧睿.大连海事大学 2017
[6]基于神经网络的短期电力负荷组合预测方法研究[D]. 段晶晶.兰州大学 2017
[7]基于改进数据流和小波包分析的超短期负荷预测方法研究[D]. 唐聪岚.重庆大学 2014
[8]基于神经网络的数据挖掘分类算法比较和分析研究[D]. 常凯.安徽大学 2014



本文编号：3277510