针对短期电力负荷预测精度低、泛化能力弱等问题,提出了一种基于相似日选取与多集成组合的短期电力负荷预测模型。首先利用最大信息准则MIC(maximal information coefficient)选取高相关变量作为模型输入;然后综合考虑MIC与灰色关联度,...针对短期电力负荷预测精度低、泛化能力弱等问题,提出了一种基于相似日选取与多集成组合的短期电力负荷预测模型。首先利用最大信息准则MIC(maximal information coefficient)选取高相关变量作为模型输入;然后综合考虑MIC与灰色关联度,对气象敏感性较弱地区的负荷进行相似日选取;最后引入集成随机子空间、自适应增强、堆叠-神经网络的框架组合多核核极限学习机,对待预测日进行回归拟合,输出最终预测结果。采用马来西亚柔佛州供电公司提供的负荷数据进行算例分析,结果表明,相比于随机森林、BP神经网络和循环门控单元,所提模型的预测精度更高、泛化能力更强。展开更多
为提高光伏电站短期功率预测的精度,提出一种基于经验小波变换(empirical wavelet transform,EWT))和核最小最大概率回归机(kernel mini max probability machine regression,KMPMR)的组合预测模型,对晴天、阴天和雨天3种天气类型下的...为提高光伏电站短期功率预测的精度,提出一种基于经验小波变换(empirical wavelet transform,EWT))和核最小最大概率回归机(kernel mini max probability machine regression,KMPMR)的组合预测模型,对晴天、阴天和雨天3种天气类型下的光伏电站出力分别进行了预测分析。该文首先采用EWT将相似日光伏功率序列分解为具有特征差异的AM-FM分量,然后根据各AM-FM分量的变化特点建立相应的KMPMR预测模型分别进行预测并叠加得到最终预测结果。试验结果表明,相比SVM方法,该文方法在晴天、阴天和雨天可提高预测精度(MAE)分别为56.19%、54.15%和76.33%;相比EMD-KMPMR方法,在降低近一半左右计算规模的同时,可提高预测精度(MAE)分别为9.42%、38.74%和64.52%。以阿克苏地区光伏电站实际运行数据进行试验验证表明,该文方法在3种天气类型下均可取得较高的预测精度。展开更多
基金supported by National Natural Science Foundation of China(No.51467008)Gansu Provincial Department of Education Industry Support Program(No.2021CYZC-32)。
文摘针对短期电力负荷预测精度低、泛化能力弱等问题,提出了一种基于相似日选取与多集成组合的短期电力负荷预测模型。首先利用最大信息准则MIC(maximal information coefficient)选取高相关变量作为模型输入;然后综合考虑MIC与灰色关联度,对气象敏感性较弱地区的负荷进行相似日选取;最后引入集成随机子空间、自适应增强、堆叠-神经网络的框架组合多核核极限学习机,对待预测日进行回归拟合,输出最终预测结果。采用马来西亚柔佛州供电公司提供的负荷数据进行算例分析,结果表明,相比于随机森林、BP神经网络和循环门控单元,所提模型的预测精度更高、泛化能力更强。
文摘为提高光伏电站短期功率预测的精度,提出一种基于经验小波变换(empirical wavelet transform,EWT))和核最小最大概率回归机(kernel mini max probability machine regression,KMPMR)的组合预测模型,对晴天、阴天和雨天3种天气类型下的光伏电站出力分别进行了预测分析。该文首先采用EWT将相似日光伏功率序列分解为具有特征差异的AM-FM分量,然后根据各AM-FM分量的变化特点建立相应的KMPMR预测模型分别进行预测并叠加得到最终预测结果。试验结果表明,相比SVM方法,该文方法在晴天、阴天和雨天可提高预测精度(MAE)分别为56.19%、54.15%和76.33%;相比EMD-KMPMR方法,在降低近一半左右计算规模的同时,可提高预测精度(MAE)分别为9.42%、38.74%和64.52%。以阿克苏地区光伏电站实际运行数据进行试验验证表明,该文方法在3种天气类型下均可取得较高的预测精度。
