【精彩论文】基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

观点凝练

摘要：为降低短期负荷序列的非线性以提升预测精度，提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列，分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量，并针对各分量分别建立支持向量回归（support vector regression，SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization，PSO）用于优化SVR模型内部参数，便于更好地进行训练和预测。最后累加所有序列的预测值，实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。
结论：本文基于多阶段优化的VMD-PSR-PSO-SVR模型开展短期电力负荷的预测，并与传统BP、SVR模型和采用模态分解处理的EMD-SVR、EEMD-SVR、VMD-SVR和VMD-GA-SVR模型进行对比分析，得出以下结论。

（1）本文模型采用VMD预处理负荷序列，分解效率优于EMD和EEMD，充分削弱了原始序列的非平稳性，降低了预测难度，提升了预测精度。

（2）采用PSR优化模态分量序列和SVR模型的训练和拟合，可以更好地实现对历史负荷数据的学习和对未来负荷序列的预测。

（3）为克服传统SVR模型的求解效率不高的缺点，经过PSO算法优化SVR的内部参数，提出PSO-SVR模型，增强了本文模型的预测性能。

（4）本文模型将历史数据预处理、预测模型优化以及预测误差分析相结合，开展短期负荷预测的研究，有利于取得较高的预测精度。

引文信息

李文武, 石强, 李丹, 等. 基于VMD和PSO-SVR的短期电力负荷多阶段优化预测[J]. 中国电力, 2022, 55(8): 171-177.LI Wenwu, SHI Qiang, LI Dan, et al. Multi-stage optimization forecast of short-term power load based on VMD and PSO-SVR[J]. Electric Power, 2022, 55(8): 171-177.

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

◀《中国电力》2022年第10期详览◀【精彩论文】基于精准气象数据的地区电网短期负荷智能预测系统设计◀【精彩论文】基于欧姆内阻压降的电池簇不一致性在线监测方法研究◀【精彩论文】直流微电网分布式储能系统精确电流分配策略◀【精彩论文】分布式光伏边界渗透率快速定位及消纳方案择优◀【征稿启事】“新能源电力系统稳定性分析与控制技术”专题征稿启事◀【征稿启事】“面向电网设备状态感知的低功耗无线传感网技术及应用”专题征稿启事◀【征稿启事】“新能源与储能协调规划运行”专题征稿启事
◀【征稿启事】“面向典型行业的能源局域网规划与低碳运行技术”征稿启事
编辑：于静茹

校对：李博

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。