基于CEEMD-RSVPSO-KELM的用户侧微电网短期负荷预测

发布时间：2022-02-08 19:54

　　用户侧微电网负荷随机性强,短期负荷的预测精度对微电网的正常运行起着重要作用。提出了一种基于互补集成经验模态分解（CEEMD）和区域划分自适应变异粒子群（RSVPSO）算法优化核极限学习机（KELM）的负荷预测模型。采用互补集成经验模态分解将负荷序列分解为多组平稳的子序列,以减小不同局部信息之间的相互影响。针对粒子群算法易早熟和收敛速度慢的问题,利用区域划分来实现惯性权重和学习因子的自适应调整,提高粒子的全局寻优能力和搜索效率,并结合自适应变异操作避免陷入局部最优,加强核极限学习机预测精度。最后通过案例验证,所提模型的预测准确率约为98.114%,较其他预测模型具有更好的预测效果和实际应用意义。 

【文章来源】：电测与仪表. 2020,57(18)北大核心

【文章页数】：8 页

【文章目录】：
0 引言
1 互补集成经验模态分解
2 核极限学习机
3 改进的粒子群算法
    3.1 标准粒子群算法
    3.2 改进策略
        3.2.2 惯性权重和学习因子
        3.2.3 自适应变异
4 基于CEEMD-RSVPSO-KELM用户侧微电网短期负荷预测模型
    4.1 数据预处理
    4.2 模型评价指标
    4.3 用户侧微电网负荷预测流程
5 算例分析
    5.1 数据分解
    5.2 算法参数设置
    5.3 仿真结果及分析
6 结束语



本文编号：3615650