基于极点对称模态分解-分散熵和改进乌鸦搜索算法-核极限学习机的短期负荷区间预测

发布时间：2021-04-29 05:37

　　针对确定性负荷点预测存在不同程度误差及难以反映电力需求不确定性的问题,提出一种基于极点对称模态分解（extreme-point symmetric mode decomposition, ESMD）-分散熵（dispersion entropy, DE）和改进乌鸦搜索算法（improved crow search algorithm, ICSA）优化核极限学习机的短期负荷区间预测模型。首先用ESMD将原始负荷时间序列分解为多个特征互异的子序列,降低了原始非平稳负荷序列对预测结果的影响,并计算各子序列的分散熵,将熵值相近的子序列重组为新序列以降低计算规模;其次,基于上下限估计法,利用ICSA算法对核极限学习机（kernel extreme learning machine, KELM）输出权值进行优化,得到最优预测区间上下限,并以此分别对各新序列进行区间预测;最后将预测结果叠加得到最终的预测区间。仿真结果表明,所提模型有效提高了负荷预测区间的质量,为电力系统决策工作提供有力支持。 

【文章来源】：科学技术与工程. 2020,20(22)北大核心

【文章页数】：7 页

【文章目录】：
1 基本原理分析
    1.1 ESMD算法
    1.2 分散熵
    1.3 改进乌鸦搜索算法
    1.4 核极限学习机
2 ICSA-KELM负荷区间预测模型
    2.1 ICSA-KELM区间预测模型结构
    2.2 区间预测优化目标函数
        2.2.1 预测区间覆盖率
        2.2.2 预测区间平均宽度
        2.2.3 优化目标函数
    2.3 ICSA-KELM区间预测流程
3 基于ESMD-DE和ICSA-KELM的负荷区间预测模型流程
4 实验仿真
    4.1 数据处理
    4.2 区间预测环节搭建
    4.3 预测结果分析
5 结论


【参考文献】：
期刊论文
[1]基于改进评价指标的波动性负荷短期区间预测[J]. 徐诗鸿,张宏志,林湘宁,李正天,卓毅鑫,汪致洵,随权.  电力系统自动化. 2020(02)
[2]基于极限学习机快速分类的人体跌倒检测方法[J]. 王晓雷,李栋豪,郑晓婉,闫双建,张庆芳,张吉涛,曹玲芝.  科学技术与工程. 2019(20)
[3]基于改进莱维飞行的狼群算法及其在翼型气动优化设计中的应用[J]. 赵洪,李伟鹏,刘铁军.  科学技术与工程. 2019(18)
[4]超短期光伏出力区间预测算法及其应用[J]. 黎敏,林湘宁,张哲原,翁汉琍.  电力系统自动化. 2019(03)
[5]基于深度信念网络的短期负荷预测方法[J]. 孔祥玉,郑锋,鄂志君,曹旌,王鑫.  电力系统自动化. 2018(05)
[6]基于改进高斯过程回归模型的短期负荷区间预测[J]. 宗文婷,卫志农,孙国强,李慧杰,CHEUNG Kwok W,孙永辉.  电力系统及其自动化学报. 2017(08)
[7]基于粒子群优化的核极限学习机模型的风电功率区间预测方法[J]. 杨锡运,关文渊,刘玉奇,肖运启.  中国电机工程学报. 2015(S1)
[8]基于EMD和相关向量机的短期负荷预测[J]. 孙志刚,翟玮星,李伟伦,卫志农.  电力系统及其自动化学报. 2011(01)



本文编号：3166947