其他
【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.往期回顾
◀【精彩论文】英国频率响应服务市场及对中国调频市场建设的启示◀【精彩论文】无储能动态电压恢复器安全运行区域◀【精彩论文】可改善中压MMC谐波特性的无差拍控制策略◀【精彩论文】基于解耦内点法与混合整数规划法的区域电网动态无功优化算法◀【征稿启事】“分布式智能电网的规划、运行和电力交易”专栏征稿启事◀【征稿启事】“新型能源体系下电碳协同市场机制及优化运行”专栏征稿启事◀【征稿启事】“面向碳达峰碳中和目标的清洁高效发电技术”专题征稿启事◀【征稿启事】“新型电力系统低碳规划与运行”专栏征稿启事
审核：方彤
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。