預(yù)測(cè)負(fù)荷的精準(zhǔn)度是衡量電力系統(tǒng)負(fù)荷預(yù)測(cè)模型性能的一個(gè)重要指標(biāo)。電力負(fù)荷序列變化規(guī)律多樣,具有周期性、非平穩(wěn)性、隨機(jī)性等特點(diǎn),因此采用變分模態(tài)分解方法分解負(fù)荷序列,得出其不同特性的模態(tài)函數(shù)分量,進(jìn)而降低原始數(shù)據(jù)的復(fù)雜程度和模態(tài)混疊現(xiàn)象以提高負(fù)荷預(yù)測(cè)的精度,將其代入灰狼優(yōu)化的支持向量回歸機(jī)模型,得到最終日負(fù)荷預(yù)測(cè)值。使用VMD-GWO-SVR預(yù)測(cè)方法在Matlab R2014b軟件上對(duì)2014年南美某地區(qū)日負(fù)荷數(shù)據(jù)進(jìn)行仿真驗(yàn)證,結(jié)果表明該方法使得日負(fù)荷預(yù)測(cè)精度可達(dá)99.15%,驗(yàn)證了該預(yù)測(cè)模型的有效性和高精度。 

【文章來(lái)源】：現(xiàn)代電子技術(shù). 2020,43(23)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

灰狼算法流程圖

VMD分解結(jié)果圖

從圖4可以看出，本文改進(jìn)算法相比其他3種預(yù)測(cè)方法,與實(shí)際日負(fù)荷曲線擬合程度更好。通過(guò)VMD-SVR預(yù)測(cè)法與SVR預(yù)測(cè)法的曲線對(duì)比，證明了對(duì)變分模態(tài)分解的信號(hào)進(jìn)行預(yù)測(cè)確實(shí)有效；再對(duì)比VMD-BP預(yù)測(cè)法、VMD-SVR預(yù)測(cè)法和VMD-GWO-SVR預(yù)測(cè)法的擬合曲線，驗(yàn)證了VMD-GWO-SVR預(yù)測(cè)法的有效性。圖4 四種方法的預(yù)測(cè)結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]VMD-LSTM算法在短期負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 胡欣球,馬立新.  電力科學(xué)與工程. 2018(06)
[2]基于EEMD和LS-SVM模型的風(fēng)電功率短期預(yù)測(cè)方法[J]. 程啟明,陳路,程尹曼,張強(qiáng),高杰.  電力自動(dòng)化設(shè)備. 2018(05)
[3]基于灰狼算法的分布式電源優(yōu)化配置[J]. 張濤,張東方,王凌云.  水電能源科學(xué). 2018(04)
[4]基于果蠅算法和SVM的天然氣日負(fù)荷預(yù)測(cè)[J]. 宋娟,潘歡.  控制工程. 2017(10)
[5]基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)[J]. 王吉權(quán),王福林,董志貴,湯巖,田占偉,吳昌友.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2017(09)
[6]基于PSO-WPESN的短期電力負(fù)荷預(yù)測(cè)方法[J]. 周紅標(biāo),王樂(lè),卜峰,應(yīng)根旺.  電測(cè)與儀表. 2017(06)
[7]基于布谷鳥(niǎo)算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的股價(jià)預(yù)測(cè)[J]. 孫晨,李陽(yáng),李曉戈,于嬌艷.  計(jì)算機(jī)應(yīng)用與軟件. 2016(02)
[8]改進(jìn)GWO優(yōu)化SVM的云計(jì)算資源負(fù)載短期預(yù)測(cè)研究[J]. 徐達(dá)宇,丁帥.  計(jì)算機(jī)工程與應(yīng)用. 2017(07)
[9]基于GA和SVM的電力負(fù)荷預(yù)測(cè)方法研究[J]. 孟凡喜,屈鴻,侯孟書(shū).  計(jì)算機(jī)科學(xué). 2014(S1)
[10]基于極限學(xué)習(xí)機(jī)的短期電力負(fù)荷預(yù)測(cè)[J]. 王偉,楊輝華,劉振丙,李靈巧.  計(jì)算機(jī)仿真. 2014(04)

碩士論文
[1]基于經(jīng)驗(yàn)?zāi)B(tài)分解的IPSO-SVM風(fēng)電功率預(yù)測(cè)[D]. 田淑慧.湖南工業(yè)大學(xué) 2018



本文編號(hào)：3429592