基于CEEMDAN-SE和DBN的短期电力负荷预测

被引：50

作者：

岳有军 ^{[1
]}

刘英翰 ^{[1
]}

赵辉 ^{[1
,2
]}

王红君 ^{[1
]}

机构：

[1] 天津理工大学天津市复杂系统控制理论与应用重点实验室

[2] 天津农学院

来源：

电测与仪表 | 2020年 / 57卷 / 17期

基金：

天津市自然科学基金;

关键词：

负荷预测; CEEMDAN; 样本熵; 深度学习; 深度信念网络; 组合模型;

D O I：

暂无

中图分类号：

TM715 [电力系统规划];

学科分类号：

080802 [电力系统及其自动化];

摘要：

为提高短期负荷预测精度,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)-样本熵(SE)和深度信念网络(DBN)的短期负荷组合预测模型。利用CEEMDAN-样本熵将原始负荷序列分解为多个特征互异的子序列,计算各子序列的样本熵,将熵值相近的子序列重组得到新序列,降低了原始非平稳序列对预测精度造成的影响并减小计算规模;综合考虑各新序列的周期特性和影响因素对每个新序列分别构建不同的DBN预测模型,利用DBN克服了浅层神经网络特征提取不充分及初始参数难确定的问题;最后将预测结果叠加得到最终预测值。仿真结果表明,该组合预测模型的平均绝对百分比误差和均方根误差分别为1.18%和87.91 MW,相比于BP、DBN、EMD-DBN负荷预测模型具有更高的预测精度。

引用

页码：59 / 65

页数：7

共 5 条

[1]

A data-driven strategy for short-term electric load forecasting using dynamic mode decomposition model.[J].Neethu Mohan;K.P. Soman;S. Sachin Kumar.Applied Energy.2018,

[2]

Empirical Mode Decomposition based ensemble deep learning for load demand time series forecasting.[J].Xueheng Qiu;Ye Ren;Ponnuthurai Nagaratnam Suganthan;Gehan A.J. Amaratunga.Applied Soft Computing.2017,

[3]

Improved short-term load forecasting based on EEMD, Guassian disturbance firefly algorithm and support vector machine [J].