高金兰 王 天

(东北石油大学 电气信息工程学院,黑龙江 大庆 163318)

0 引 言

改革开放以来,我国的经济取得了快速发展,这使我国对电能的需求异常强烈,而采用各种方法保证电能的长期稳定供应,例如风电,水电等[1],对国民经济的发展有着举足轻重的影响[2-3]。因此,对电力负荷的预测越来越受到人们广泛重视。例如,根据负荷预测结果可以提前准备发电计划,制定发电机制启停方案等[4],进而保障电能可以长期稳定供应。因此,高精度的短期负荷预测对发电机组的组合配置,电力调度以及降低发电成本等有着重要的意义[5-6]。目前,对短期电力负荷预测的研究成果很多,其中,对LSSVM(Least Square Support Vector Machine)的研究尤为突出。闫重熙等[7]提出改进天牛须搜索算法,并应用于对LSSVM的优化以实现对短期电力负荷预测。其利用蒙特卡洛法则对天牛须搜索算法进行改进,以提高该算法运行的稳定性,并用改进后的天牛须搜索算法优化LSSVM 模型,用于短期电力负荷预测。赵凤展等[8]提出了一种基于VMD-BA-LSSVM(Variational Mode Decomposition-Bat Algorithm-Least Square Support Vector Machine)的短期负荷预测方法,采用蝙蝠算法(BA:Bat Algorithm)对每个LSSVM 进行优化,并设计了一种归一法计算环境因素。郝晓弘等[9]提出了IPSO-LSSVM(Improve Partical Swarm Optimization-Least Square Support Vector Machine)预测模型,该模型利用混沌算法随机遍历的特性对粒子群(PSO:Partical Swarm Optimization)算法进行改进,以克服选择参数时的盲目性和寻优时PSO 算法易出现早熟而陷入局部最优等问题,提高其全局搜索能力。

基于目前的研究成果,笔者提出了一种新的预测模型,该模型利用VMD(Variational Mode Decomposition)的去噪能力分解原始负荷数据,然后……