浙江省月度电力需求的变分模态分解-自适应模糊神经网络-差分整合移动平均自回归组合预测模型及应用

摘要：

为提高电力需求预测的精度,提出了一种将变分模态分解(variational mode decomposition,VMD)和自适应模糊神经网络(adaptive network-based fuzzy inference system,ANFIS)相结合的方法并应用到月度电力需求预测中.首先将原始数据通过VMD分解成有限带宽的子模态序列,选用差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)、ANFIS、经验模态分解(empirical mode decomposition,EMD)与ANFIS相结合和VMD-ANFIS几种模型进行预测结果对比.结果表明:相比直接利用ANFIS模型得到的预测结果,增加VMD分解过程能有效减小预测误差.说明所应用的VMD-ANFIS方法更具优越性,可以获得更好的预测结果.

关键词：电力需求预测、差分整合移动平均自回归模型(ARIMA)、变分模态分解、自适应模糊神经网络

所属期刊栏目：21

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：国网浙江省电力有限公司科技项目5211WZ1900RN

在线出版日期：2021-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：4957-4967