文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.200036
中文引用格式： 徐少波，李鑫，劉海濤，等. 基于EMD-DA-LSSVM的短期電力負荷預測研究[J].電子技術應用，2020，46(11)：96-99，103.
英文引用格式： Xu Shaobo，Li Xin，Liu Haitao，et al. Study on short term power load forecast using EMD-DA-LSSVM[J]. Application of Electronic Technique，2020，46(11)：96-99，103.
0 引言
短期電力負荷預測是負荷預測的重要組成部分，主要分為超短期、短期、中長期和長期預測，其對經濟調度、電力市場交易、調整機組組合以及最優潮流具有重要意義[1]。短期電力負荷的準確預測對合理地安排發電計劃和運行計劃有重要作用，同時能夠降低發電成本，提升電力生產運營的經濟性。因此，如何提升短期負荷預測的精準性，是受到廣泛關注的熱點問題，也是難點問題。
目前，常用負荷預算方法主要有時間序列法、外推法、回歸分析法、極限學習機、人工神經網絡法、小波分析法、灰色系統法以及支持向量機等。文獻[2]提出一種基于混沌時間序列的負荷預測方法，雖然該方法一定程度上有助于提升負荷預測效果，但是精度還有待提高。文獻[3]提出了基于組合灰色模型的全新短期電力負荷預測模型，結果表明該模型適合呈現指數變化的負荷預測，對于其他變化類型的負荷預測的預測精度較低。文獻[4]提出一種基于BP神經網絡的短期負荷預測方法，該方法存在訓練時間過長的缺點，由于氣象因素的影響導致負荷預測精度較低。文獻[5]提出一種基于網格搜索優化支持向量機(Support Vector Machine，SVM)的短期負荷預測模型，該方法具有較好的預測效果，但是會耗費大量時間，實時性較差。為了進一步優化最小二乘支持向量機(Least Squares Support Vector Machine，LSSVM)的性能，文獻[6]融合模擬退火算法(Simulated Annealing，SA)和LSSVM模型，運用SA算法優化LSSVM模型的懲罰參數C和核參數g，提出一種基于SA-LSSVM的短期電力負荷預測方法，從而提高了負荷預測的精度。
本文考慮電力負荷數據的非線性和非平穩性，建立了基于EMD-DA-LSSVM的用電負荷預測模型。首先，采用EMD分解短期電力負荷數據，獲得互不耦合的IMF分量；其次，針對各IMF分量建立最優參數下的EMD-DA-LSSVM短期電力負荷預測模型，重構得到預測值。通過算法驗證分析，與LSSVM、DA-LSSVM和EMD-LSSVM相比，EMD-DA-LSSVM模型具有更高的預測精度，短期電力負荷預測精度高達2.203%，從而說明EMD-DA-LSSVM進行短期電力負荷預測的有效性和可行性。
本文詳細內容請下載:http://www.cowatch.cn/resource/share/2000003065
作者信息:
徐少波1，李 鑫1，劉海濤1，魏 麗2
(1.國網十堰供電公司，湖北 十堰442000；2.武漢工程大學，湖北 武漢430070)