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

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

【文章頁數(shù)】：6 頁

【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，本文改進算法相比其他3種預(yù)測方法,與實際日負荷曲線擬合程度更好。通過VMD-SVR預(yù)測法與SVR預(yù)測法的曲線對比，證明了對變分模態(tài)分解的信號進行預(yù)測確實有效；再對比VMD-BP預(yù)測法、VMD-SVR預(yù)測法和VMD-GWO-SVR預(yù)測法的擬合曲線，驗證了VMD-GWO-SVR預(yù)測法的有效性。圖4 四種方法的預(yù)測結(jié)果

【參考文獻】：
期刊論文
[1]VMD-LSTM算法在短期負荷預(yù)測中的應(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模型的風電功率短期預(yù)測方法[J]. 程啟明,陳路,程尹曼,張強,高杰.  電力自動化設(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的天然氣日負荷預(yù)測[J]. 宋娟,潘歡.  控制工程. 2017(10)
[5]基于改進BP神經(jīng)網(wǎng)絡(luò)的電力負荷預(yù)測[J]. 王吉權(quán),王福林,董志貴,湯巖,田占偉,吳昌友.  數(shù)學(xué)的實踐與認識. 2017(09)
[6]基于PSO-WPESN的短期電力負荷預(yù)測方法[J]. 周紅標,王樂,卜峰,應(yīng)根旺.  電測與儀表. 2017(06)
[7]基于布谷鳥算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的股價預(yù)測[J]. 孫晨,李陽,李曉戈,于嬌艷.  計算機應(yīng)用與軟件. 2016(02)
[8]改進GWO優(yōu)化SVM的云計算資源負載短期預(yù)測研究[J]. 徐達宇,丁帥.  計算機工程與應(yīng)用. 2017(07)
[9]基于GA和SVM的電力負荷預(yù)測方法研究[J]. 孟凡喜,屈鴻,侯孟書.  計算機科學(xué). 2014(S1)
[10]基于極限學(xué)習機的短期電力負荷預(yù)測[J]. 王偉,楊輝華,劉振丙,李靈巧.  計算機仿真. 2014(04)

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



本文編號：3429592