基于变分模态分解和极限学习机的短期负荷预测方法研究

作     者：孟凡煦 

作者单位：东北石油大学 

学位级别：硕士

导师姓名：徐建军

授予年度：2019年

学科分类：0808[工学-电气工程] 080802[工学-电力系统及其自动化] 08[工学] 

主      题：变分模态分解 极限学习机 神经网络 负荷预测 组合预测模型 

摘      要：短期负荷预测是电网维持经济运行以及实现安全稳定控制不可或缺的基础,使用其制定最节约的用电安全要求、确定运行约束、和外界的设备限制运行方案,为发电计划程序提供数据等,其对电网运行的经济性、安全性和可靠性有着极为关键的作用。由于传统的预测方法预测的精度普遍不高,所以,提出更好的预测方法和理论一直都是学者们的研究热点。鉴于上述问题,本文提出了一种基于变分模态分解(VMD)和极限学习机(ELM)的组合预测模型,先利用VMD分解历史负荷功率时间序列,可以获得一组相对平稳的模态分量,之后对各模态分量分别组建ELM模型进行预测,最终把所有预测结果相累加即为最后的预测结果。实验结果证明,该模型充分体现了VMD和ELM各自的优点,可以完成既准确又快速的预测。本文首先对VMD在多尺度模态分解中的优势进行了分析与比较,相较于经典模态分解(EMD),应用VMD分解所得数据进行预测具有更好的效果,而且,VMD结合格拉姆施密特正交化,可以进一步提升VMD在特征提取上的效果,因而可得出结论VMD更适合应用于组合预测模型当中。之后通过MATLAB仿真工具,对于所提出的预测模型,利用实际负荷数据进行了短期负荷预测的仿真分析,并且对比与分析了其与多种预测方法的预测结果,由于短期负荷主要对于预测精度以及预测速度有较高的要求,本文从速度与精度上验证了所提的组合预测方法在短期负荷预测中的可行性。本论文的研究贡献在于对于短期负荷预测方法的理论研究具有很好的参考价值。