陈艳平，毛　弋，陈　萍，童　伟，袁建亮

（湖南大学电气与信息工程学院，长沙　410082）

基于EEMD-样本熵和Elman神经网络的短期电力负荷预测

陈艳平，毛弋，陈萍，童伟，袁建亮

（湖南大学电气与信息工程学院，长沙410082）

针对电力负荷序列的非线性、非平稳性等特点，提出了一种基于集总经验模式分解EEMD-样本熵和El⁃man神经网络的短期负荷预测方法。为了减小电力负荷序列局部分析的计算规模以及提高负荷预测的精度，先利用EEMD-样本熵将原始电力负荷序列分解成一系列复杂度差异明显的子序列；然后在综合考虑温度及日期类型等因素对各子序列影响的基础上，根据各子序列的特点构造不同的Elman神经网络对各子序列分别进行预测；最后将各子序列的预测结果叠加得到最终预测值，并对EUNITE国际电力负荷预测竞赛公布的数据进行仿真实验。仿真结果表明该方法能有效地提高负荷预测的精度。

短期负荷预测；样本熵；集总经验模式分解；Elman神经网络

电力负荷预测的实质是根据预测对象的历史负荷数据建立相应的数学模型，描述其发展规律，是对电力市场需求的预测。做好电力负荷预测工作是实现电网经济安全运行的重要保障［1］。

目前，负荷预测的方法有很多。传统预测技术主要包括回归分析法、时间序列法、趋势外推法等，这些方法大都采用显式的数学表达式来描述预测模型，难以满足电力负荷的时变性要求；现代预测方法主要有灰色预测法、模糊预测法、支持向量机法等［2］，其中应用较多的是静态前馈BP（back propagation）神经网络法，但由于本身结构的问题，存在如收敛速度慢、极易陷入局部极小值等缺点，影响其应用［3］；……