基于EMD-QRF的用户负荷概率密度预测

被引：42

作者：

杨斌 ^{[1
]}

杨世海 ^{[2
]}

曹晓冬 ^{[2
]}

陈宇沁 ^{[2
]}

梁智 ^{[3
]}

孙国强 ^{[3
]}

机构：

[1] 国网江苏省电力有限公司

[2] 国网江苏省电力有限公司电力科学研究院

[3] 河海大学能源与电气学院

来源：

电力系统保护与控制 | 2019年 / 47卷 / 16期

关键词：

用户负荷; 经验模式分解; 分位数回归森林; 核密度估计; 概率密度预测;

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：

考虑用户负荷时间序列基数小、波动性与随机性强、难以取得较高预测精度的特点,建立基于经验模式分解(Empirical Mode Decomposition, EMD)与分位数回归森林(Quantile Regression Forest, QRF)的用户负荷概率密度组合预测模型,以提高用户负荷预测精度。首先,采用EMD信号处理算法对用户负荷原始时间序列数据进行分解处理,计算各模态函数样本熵值并根据样本熵大小对模态函数进行重构。其次,对重构分量分别建立QRF用户负荷预测模型,叠加不同分量预测结果从而获得预测值的条件分布。最后,利用核密度估计输出任意时刻用户负荷概率密度预测结果。相对于确定性点预测方法,概率密度预测具有描述用户负荷未来可能的波动范围及不确定性等优势,且算例测试验证了模型的有效性。

引用

页码：1 / 7

页数：7

共 15 条

[1]

小负荷大波动地区短期负荷预测模型研究 [D].

甘雯 .

浙江大学,

2007

[2]

Time series modeling and filtering method of electric power load stochastic noise [J].

Li Huang ;

Yongbiao Yang ;

Honglei Zhao ;

Xudong Wang ;

Hongjuan Zheng .

Protection and Control of Modern Power Systems, 2017, 2 (1)

[3]

Forecasting energy consumption of multi-family residential buildings using support vector regression: Investigating the impact of temporal and spatial monitoring granularity on performance accuracy.[J].Rishee K. Jain;Kevin M. Smith;Patricia J. Culligan;John E. Taylor.Applied Energy.2014,

[4]

A review on applications of ANN and SVM for building electrical energy consumption forecasting.[J].A.S. Ahmad;M.Y. Hassan;M.P. Abdullah;H.A. Rahman;F. Hussin;H. Abdullah;R. Saidur.Renewable and Sustainable Energy Reviews.2014,

[5]

Random forests [J].