一种基于改进总体经验模态分解与反向传播神经网络的短期负荷预测方法

• 来源期刊: 浙江大学学报（英文版）（A辑：应用物理和工程）
• 学科: 工学
• 关键词: 集合经验模态分解 内禀模态函数 反向传播神经网络 短期负荷预测
• 年，卷（期）: 2016,（2）
• 页码范围: 101-114
• 分类号: TM715
• 语种: 中文

摘要

目的:短期电力负荷预测是电力系统安全调度、经济运行的重要依据.研究处理非线性、非稳态电力负荷信号的新方法,建立短期负荷预测的混合模型,提高短期负荷预测的精确度.创新点:1.提出一种改进总体经验模态分解(EEMD)方法,抑制传统EEMD方法中的端点效应问题;2.提出一种基于改进EEMD和反向传播神经网络(BPNN)的短期负荷预测方法.方法:1.使用改进的EEMD方法将非稳态、非线性的电力负荷信号分解为一系列的内禀模态函数和一个趋势余量;2.移除所得的高频内禀模态函数;3.使用BPNN分别预测各内禀模态函数及趋势余量;4.使用BPNN组合各内禀模态函数及趋势余量预测结果,即为最终负荷预测结果.结论:1.所提出的改进EEMD方法能有效抑制传统EEMD方法中的端点效应问题;2.在相同条件下,所提出的基于改进EEMD和BPNN的短期负荷预测方法较BPNN、EMD-BPNN、EEMD-BPNN、SARIMA-BPNN、WTNNEA和WGMIPSO预测方法有更高的精确度.