基于EEMD-LSSVM的超短期负荷预测

被引：74

作者：

王新

孟玲玲

机构：

[1] 河南理工大学电气工程与自动化学院

来源：

电力系统保护与控制 | 2015年 / 43卷 / 01期

关键词：

超短期负荷预测; 集合经验模态分解; 最小二乘支持向量机; 贝叶斯框架; 时间序列;

D O I：

暂无

中图分类号：

TM715 [电力系统规划];

学科分类号：

摘要：

针对传统的最小二乘支持向量机(LSSVM)参数不易确定且单一预测模型精度不高的问题,提出了一种基于集合经验模态分解(EEMD)与LSSVM的组合预测模型。首先利用EEMD将历史数据分解成一系列相对比较平稳的分量序列,再对各子序列分别建立合适的预测模型。进一步通过贝叶斯证据框架来优化LSSVM的参数,用贝叶斯推理确定模型参数、正规化超参数和核参数。然后将各子序列预测结果进行叠加得到最终预测值。最后,将该预测模型用于某一家庭超短期负荷预测中,仿真结果表明,该模型取得了比单一模型更好的预测效果。

引用

页码：61 / 66

页数：6

共 13 条

[1] 基于EEMD-SVM方法的光伏电站短期出力预测
茆美琴
龚文剑
张榴晨
曹雨
徐海波
[J]. 中国电机工程学报, 2013, 33 (34) : 17 - 24+5
[2] 基于集合经验模态分解和小波神经网络的短期风功率组合预测
王贺
胡志坚
陈珍
仉梦林
贺建波
李晨
[J]. 电工技术学报, 2013, 28 (09) : 137 - 144
[3] 贝叶斯证据框架下最小二乘支持向量机的软件老化检测方法
苏莉
陈鹏飞
齐勇
武义涵
[J]. 西安交通大学学报, 2013, (08) : 12 - 18
[4] 基于EEMD-近似熵和储备池的风电功率混沌时间序列预测模型
张学清
梁军
[J]. 物理学报, 2013, 62 (05) : 76 - 85
[5] 基于IPSO-LSSVM的风电功率短期预测研究
王贺
胡志坚
张翌晖
张子泳
张承学
[J]. 电力系统保护与控制, 2012, 40 (24) : 107 - 112
[6] 基于PSO优化LSSVM的短期风速预测
孙斌
姚海涛
[J]. 电力系统保护与控制, 2012, 40 (05) : 85 - 89
[7] 基于经验模态分解和支持向量机的短期风电功率组合预测模型
叶林
刘鹏
[J]. 中国电机工程学报, 2011, 31 (31) : 102 - 108
[8] 基于遗传优化的最小二乘支持向量机风电场风速短期预测
杨洪
古世甫
崔明东
孙禹
[J]. 电力系统保护与控制, 2011, 39 (11) : 44 - 48+61
[9] 基于贝叶斯证据框架下WLS-SVM的短期负荷预测
王林川
白波
于奉振
袁明哲
[J]. 电力系统保护与控制, 2011, 39 (07) : 44 - 49
[10] Time-series gas prediction model using LS-SVR within a Bayesian framework
Qiao MeiyingabMa XiaopingaLan JianyicWang Yinga a School of Information and Electrical Engineering China University Mining TechnologyXuzhou China b School of Electrical Engineering and AutomationHenan Polytechnic UniversityJiaozuo China c School of Energy Science and Engineering Henan Polytechnic UniversityJiaozuo China
[J]. MiningScienceandTechnology, 2011, 21 (01) : 153 - 157

← 1 2 →