基于极点对称模态分解-分散熵和改进乌鸦搜索算法-核极限学习机的短期负荷区间预测

摘要：

针对确定性负荷点预测存在不同程度误差及难以反映电力需求不确定性的问题,提出一种基于极点对称模态分解(extreme-point symmetric mode decomposition,ESMD)-分散熵(dispersion entropy,DE)和改进乌鸦搜索算法(improved crow search algorithm,ICSA)优化核极限学习机的短期负荷区间预测模型.首先用ESMD将原始负荷时间序列分解为多个特征互异的子序列,降低了原始非平稳负荷序列对预测结果的影响,并计算各子序列的分散熵,将熵值相近的子序列重组为新序列以降低计算规模;其次,基于上下限估计法,利用ICSA算法对核极限学习机(kernel extreme learning machine,KELM)输出权值进行优化,得到最优预测区间上下限,并以此分别对各新序列进行区间预测;最后将预测结果叠加得到最终的预测区间.仿真结果表明,所提模型有效提高了负荷预测区间的质量,为电力系统决策工作提供有力支持.

关键词：负荷区间预测、极点对称模态分解、分散熵、乌鸦搜索算法、核极限学习机

所属期刊栏目：20

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：天津市自然科学基金重点项目;天津市教委重点基金

在线出版日期：2020-09-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：9036-9042