發(fā)布時間：2022-02-08 19:54

　　用戶側(cè)微電網(wǎng)負荷隨機性強,短期負荷的預(yù)測精度對微電網(wǎng)的正常運行起著重要作用。提出了一種基于互補集成經(jīng)驗?zāi)B(tài)分解（CEEMD）和區(qū)域劃分自適應(yīng)變異粒子群（RSVPSO）算法優(yōu)化核極限學習機（KELM）的負荷預(yù)測模型。采用互補集成經(jīng)驗?zāi)B(tài)分解將負荷序列分解為多組平穩(wěn)的子序列,以減小不同局部信息之間的相互影響。針對粒子群算法易早熟和收斂速度慢的問題,利用區(qū)域劃分來實現(xiàn)慣性權(quán)重和學習因子的自適應(yīng)調(diào)整,提高粒子的全局尋優(yōu)能力和搜索效率,并結(jié)合自適應(yīng)變異操作避免陷入局部最優(yōu),加強核極限學習機預(yù)測精度。最后通過案例驗證,所提模型的預(yù)測準確率約為98.114%,較其他預(yù)測模型具有更好的預(yù)測效果和實際應(yīng)用意義。 

【文章來源】：電測與儀表. 2020,57(18)北大核心

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 互補集成經(jīng)驗?zāi)B(tài)分解
2 核極限學習機
3 改進的粒子群算法
    3.1 標準粒子群算法
    3.2 改進策略
        3.2.2 慣性權(quán)重和學習因子
        3.2.3 自適應(yīng)變異
4 基于CEEMD-RSVPSO-KELM用戶側(cè)微電網(wǎng)短期負荷預(yù)測模型
    4.1 數(shù)據(jù)預(yù)處理
    4.2 模型評價指標
    4.3 用戶側(cè)微電網(wǎng)負荷預(yù)測流程
5 算例分析
    5.1 數(shù)據(jù)分解
    5.2 算法參數(shù)設(shè)置
    5.3 仿真結(jié)果及分析
6 結(jié)束語



本文編號：3615650