基于VMD和GWO-SVR的电力负荷预测方法

发布时间：2021-10-11 02:17

　　预测负荷的精准度是衡量电力系统负荷预测模型性能的一个重要指标。电力负荷序列变化规律多样,具有周期性、非平稳性、随机性等特点,因此采用变分模态分解方法分解负荷序列,得出其不同特性的模态函数分量,进而降低原始数据的复杂程度和模态混叠现象以提高负荷预测的精度,将其代入灰狼优化的支持向量回归机模型,得到最终日负荷预测值。使用VMD-GWO-SVR预测方法在Matlab R2014b软件上对2014年南美某地区日负荷数据进行仿真验证,结果表明该方法使得日负荷预测精度可达99.15%,验证了该预测模型的有效性和高精度。 

【文章来源】：现代电子技术. 2020,43(23)北大核心

【文章页数】：6 页

【部分图文】：

灰狼算法流程图

VMD分解结果图

从图4可以看出，本文改进算法相比其他3种预测方法,与实际日负荷曲线拟合程度更好。通过VMD-SVR预测法与SVR预测法的曲线对比，证明了对变分模态分解的信号进行预测确实有效；再对比VMD-BP预测法、VMD-SVR预测法和VMD-GWO-SVR预测法的拟合曲线，验证了VMD-GWO-SVR预测法的有效性。图4 四种方法的预测结果

【参考文献】：
期刊论文
[1]VMD-LSTM算法在短期负荷预测中的应用[J]. 胡欣球,马立新.  电力科学与工程. 2018(06)
[2]基于EEMD和LS-SVM模型的风电功率短期预测方法[J]. 程启明,陈路,程尹曼,张强,高杰.  电力自动化设备. 2018(05)
[3]基于灰狼算法的分布式电源优化配置[J]. 张涛,张东方,王凌云.  水电能源科学. 2018(04)
[4]基于果蝇算法和SVM的天然气日负荷预测[J]. 宋娟,潘欢.  控制工程. 2017(10)
[5]基于改进BP神经网络的电力负荷预测[J]. 王吉权,王福林,董志贵,汤岩,田占伟,吴昌友.  数学的实践与认识. 2017(09)
[6]基于PSO-WPESN的短期电力负荷预测方法[J]. 周红标,王乐,卜峰,应根旺.  电测与仪表. 2017(06)
[7]基于布谷鸟算法优化BP神经网络模型的股价预测[J]. 孙晨,李阳,李晓戈,于娇艳.  计算机应用与软件. 2016(02)
[8]改进GWO优化SVM的云计算资源负载短期预测研究[J]. 徐达宇,丁帅.  计算机工程与应用. 2017(07)
[9]基于GA和SVM的电力负荷预测方法研究[J]. 孟凡喜,屈鸿,侯孟书.  计算机科学. 2014(S1)
[10]基于极限学习机的短期电力负荷预测[J]. 王伟,杨辉华,刘振丙,李灵巧.  计算机仿真. 2014(04)

硕士论文
[1]基于经验模态分解的IPSO-SVM风电功率预测[D]. 田淑慧.湖南工业大学 2018



本文编号：3429592