基于EEMD-SE和GARBF的短期电力负荷预测

论文摘要

为了提高短期电力负荷的预测精度,提出了集合经验模态分解（EEMD）-样本熵（SE）和遗传算法（GA）来优化RBF神经网络的组合方法。利用EEMD分解法自适应地对负荷序列进行分解,结合样本熵对复杂度相似的子序列进行合并,有效减小了运算规模。基于各个子序列复杂度的差异构建相应的RBF神经网络模型,利用遗传算法避免神经网络陷入局部最优和收敛性问题,进而对合并的新子序列进行预测并叠加得到最终预测结果。仿真结果表明,该预测算法具有良好的预测效果,满足短期电力负荷预测的要求。

论文目录

• 0 引言
• 1 EMD和EEMD的原理
•   1.1 EMD分解法
•   1.2 EEMD分解法
• 2 样本熵
• 3 遗传RBF神经网络建模
•   3.1 RBF神经网络模型
•   3.2 RBF神经网络模型改进
• 4 基于EMD-SE-GARBF神经网络的预测模型
•   4.1 模型设计
•   4.2 仿真分析
• 5 结论

文章来源

类型: 期刊论文

作者: 高强,李易隆,李大华,白梓璇

关键词: 负荷预测,集合经验模态分解,遗传算法,神经网络,样本熵

来源: 电子技术应用 2019年01期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 电力工业,自动化技术

单位: 天津理工大学电气电子工程学院天津市复杂系统控制理论及应用重点实验室

基金: 天津市中青年骨干创新人才培养计划基金(20130830),天津市高等学校创新团队培养计划(TD12-5015)

分类号: TP18;TM715

DOI: 10.16157/j.issn.0258-7998.182278

页码: 51-54+59

总页数: 5

文件大小: 453K

下载量: 192