徐建平 ,胡济恒 ,孙卫哲

(1.国网浙江省电力有限公司金华供电公司,浙江 金华 321000;2.北京众智新能科技有限公司,北京 100080)

1 概述

电力负荷不仅受到气象因素例如气候、温度、湿度的影响,也会受到消费者居住模式和生活方式的影响。气象因素的变化莫测加上消费者的随机和非线性行为均为电力负荷的预测工作带来巨大的阻碍。在文献中,电力负荷的预测方法主要分为两类:经典的统计模型,具有预测效率高、模型构建容易的优点,但是也存在处理非线性时间序列能力较差、对数据质量要求高以及需要基于一定假设条件的缺点;机器学习模型,具有预测精度高,善于处理非线性时间序列的优点,但是其在处理非线性时间序列时也具有学习能力有限、容易陷入局部最优和过度拟合、灵活参数过多等问题。

鉴于以上问题,混合预测模型逐渐发展起来,郭威麟等人为了降低负荷序列的非线性,提出了基于集成经验模态分解法(EEMD),BP神经网络和遗传算法的短期负荷预测法,实验结果表明该模型预测精度更高,稳定性更强[1]。龙金莲采用粒子群算法优化最小二乘支持向量机对短期电力负荷进行了预测,并得到了满意的实验结果[2]。李冬辉等人提出了一种将多种群的果蝇优化算法(MFOA)和广义回归神经网络(GRNN)相结合的混合年电力负荷预测模型,实验证明提出的模型预测性能优于其它对比模型[3]。

本文结合了分解技术与优化算法的优势,提出了基于具有自适应噪声的完整集合经验模式分解(CEEMDAN)、多目标花授粉算法(MOFPA)和ELM 的混合模型。……