0 引言

    短期電力負(fù)荷預(yù)測(cè)是負(fù)荷預(yù)測(cè)的重要組成部分，主要分為超短期、短期、中長(zhǎng)期和長(zhǎng)期預(yù)測(cè)，其對(duì)經(jīng)濟(jì)調(diào)度、電力市場(chǎng)交易、調(diào)整機(jī)組組合以及最優(yōu)潮流具有重要意義^[1]。短期電力負(fù)荷的準(zhǔn)確預(yù)測(cè)對(duì)合理地安排發(fā)電計(jì)劃和運(yùn)行計(jì)劃有重要作用，同時(shí)能夠降低發(fā)電成本，提升電力生產(chǎn)運(yùn)營(yíng)的經(jīng)濟(jì)性。因此，如何提升短期負(fù)荷預(yù)測(cè)的精準(zhǔn)性，是受到廣泛關(guān)注的熱點(diǎn)問(wèn)題，也是難點(diǎn)問(wèn)題。

    目前，常用負(fù)荷預(yù)算方法主要有時(shí)間序列法、外推法、回歸分析法、極限學(xué)習(xí)機(jī)、人工神經(jīng)網(wǎng)絡(luò)法、小波分析法、灰色系統(tǒng)法以及支持向量機(jī)等。文獻(xiàn)[2]提出一種基于混沌時(shí)間序列的負(fù)荷預(yù)測(cè)方法，雖然該方法一定程度上有助于提升負(fù)荷預(yù)測(cè)效果，但是精度還有待提高。文獻(xiàn)[3]提出了基于組合灰色模型的全新短期電力負(fù)荷預(yù)測(cè)模型，結(jié)果表明該模型適合呈現(xiàn)指數(shù)變化的負(fù)荷預(yù)測(cè)，對(duì)于其他變化類(lèi)型的負(fù)荷預(yù)測(cè)的預(yù)測(cè)精度較低。文獻(xiàn)[4]提出一種基于BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法，該方法存在訓(xùn)練時(shí)間過(guò)長(zhǎng)的缺點(diǎn)，由于氣象因素的影響導(dǎo)致負(fù)荷預(yù)測(cè)精度較低。文獻(xiàn)[5]提出一種基于網(wǎng)格搜索優(yōu)化支持向量機(jī)(Support Vector Machine，SVM)的短期負(fù)荷預(yù)測(cè)模型，該方法具有較好的預(yù)測(cè)效果，但是會(huì)耗費(fèi)大量時(shí)間，實(shí)時(shí)性較差。為了進(jìn)一步優(yōu)化最小二乘支持向量機(jī)(Least Squares Support Vector Machine，LSSVM)的性能，文獻(xiàn)[6]融合模擬退火算法(Simulated Annealing，SA)和LSSVM模型，運(yùn)用SA算法優(yōu)化LSSVM模型的懲罰參數(shù)C和核參數(shù)g，提出一種基于SA-LSSVM的短期電力負(fù)荷預(yù)測(cè)方法，從而提高了負(fù)荷預(yù)測(cè)的精度。

    本文考慮電力負(fù)荷數(shù)據(jù)的非線性和非平穩(wěn)性，建立了基于EMD-DA-LSSVM的用電負(fù)荷預(yù)測(cè)模型。首先，采用EMD分解短期電力負(fù)荷數(shù)據(jù)，獲得互不耦合的IMF分量；其次，針對(duì)各IMF分量建立最優(yōu)參數(shù)下的EMD-DA-LSSVM短期電力負(fù)荷預(yù)測(cè)模型，重構(gòu)得到預(yù)測(cè)值。通過(guò)算法驗(yàn)證分析，與LSSVM、DA-LSSVM和EMD-LSSVM相比，EMD-DA-LSSVM模型具有更高的預(yù)測(cè)精度，短期電力負(fù)荷預(yù)測(cè)精度高達(dá)2.203%，從而說(shuō)明EMD-DA-LSSVM進(jìn)行短期電力負(fù)荷預(yù)測(cè)的有效性和可行性。

本文詳細(xì)內(nèi)容請(qǐng)下載:http://www.jysgc.com/resource/share/2000003065

作者信息:

徐少波1，李  鑫1，劉海濤1，魏  麗2

(1.國(guó)網(wǎng)十堰供電公司，湖北 十堰442000；2.武漢工程大學(xué)，湖北 武漢430070)