基于经验模式分解和最小二乘支持向量机的短期负荷预测

《基于经验模式分解和最小二乘支持向量机的短期负荷预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、维普资讯http://www.cqvip.com第35卷第8期继电器Vbl_35NO．82007年4月l6日RELAYApr．16，2007基于经验模式分解和最d',-乘支持向量机的短期负荷预测祝志慧，孙云莲，季宇(武汉大学电气工程学院，湖北武汉430072)摘要：电力负荷是具有一定的周期性和随机性的非平稳时间序列，传统的预测方法是建立在负荷是平稳序列的前提下，难以精确的预测。为了进行有效的预测，提高预测精度，提出将经验模式分解EMD(Empirica1ModeDecomposition)和最小二乘支持向量机Ls—SVM(L

2、eastSquareSupportVectorMachifie)相结合对短期负荷进行预测。首先，运用EMD将负荷序列自适应地分解成一系列不同尺度的本征模式分量IMF(intrinsiCmodefunction)，分解后的分量突出了原负荷的局部特征，能更明显地看出原负荷序列的周期项、随机项和趋势项；然后，根据各个IMF的变化规律，采用合适的核函数和超参数构造不同的LS—SVM进行预测，最后对各分量的预测值进行相加得到最终的预测值。仿真试验表明，此方法具有较高的精度和较强的推广能力。关键词：经验模式分解；最小二乘支持向量机；负荷

3、预测Short-termloadforecastingbasedonempiricalmodedecompositionandleastsquaresupportvectormachineZHUZhi_hui，SUNYun—lian，JIYU(SchoolofElectricalEngineering，WuhanUniversity，Wuhan430072，China)Abstract"ThepowerloadiSinherentlynon—stationarytimeseriesSOthatitisdificulttoco

4、nstructthemodelofaccurateforecast．Inordertoimproveforecastprecision，ahybridforecastingmethodbasedonEmpiricalModeDecomposition(EMD)andLeastSquareSupportVectorMachine(LS—SVM)ispresentedinthispaper．Firstly,thepowerloadseriesisadaptivelydecomposedintoaseriesofstationar

5、yintrinsicmodefunctions(IMF1indiferentscalespace．ThelOCalfeaturesoforiginalloadseriesareprominentintheIMFSOthatitismoreobvioustoobservethecycle．randomandtrendpartsoftheoriginalloadsequence．Secondly,accordingtothechangeregulationofeachIMFtherightparameterandkemelfun

6、ctionsarechosentobuilddiferentLS—SVMrespectivelytoforecasteachIMEFinally,theseforecastingresultsofeachIMFarecombinedtoobtainfinalforecastingresult．Thesimulationresultsshowthatthehybridmethodhasfasterspeed，higherprecisionandgreatergeneralizationabilitythanthatofthes

7、ingleLS．SVMmethodandthatoftheBPneuralnetworkmethod，whichprovesthatitisaneffectivemethod．Keywords：empiricalmodedecomposition；leastsquaresupportvectormachine；loadforecasting中图分类号：TM715文献标识码：A文章编号：1003—4897(2007)08．0037．04的负荷时间序列。文献[6，7]提出将小波变换和神经0引言网络相结合对负荷进行预测，预测精度有

8、所提高。短期负荷预测是能量管理系统EMS的一个重但是小波变换的有效性取决于的小波基的选择，不要组成部分，现有的负荷预测方法主要有回归分析能保证信号的最优分解。经验模式分解EMD法⋯、时间序列法、人工神经网络法，其中神(EmpiricalModeDecomposition)是一种处理非经网络