基于CEEMD的分特征组合超短期负荷预测模型

摘要

电力负荷预测对电力调度和系统安全至关重要。针对超短期负荷预测，本文提出一种结合补充集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)与机器学习、智能优化算法的组合预测模型。首先通过CEEMD对原始数据进行分解，再利用排列熵(permutation entropy, PE)阈值进行分量分流。高频信号采用双向长短期记忆网络(bidirectional long short-term memory, BiLSTM)预测，低频信号则通过混合核极限学习机(hybrid kernel extreme learning machine, HKELM)并结合雪消融优化算法(snow ablation optimizer, SAO)进行优化预测。最终，各分量预测结果叠加得到综合预测值。通过实例分析，模型的均方根误差、平均绝对误差和平均绝对百分比误差分别为61.61 kW、43.91 kW和0.38%,显著优于传统模型。实验结果表明，该模型充分发掘数据内在特征、结合各方法预测优势，在超短期负荷预测中具有较高的精度。

关键词

短期电力负荷预测 / CEEMD / 排列熵 / 双向长短期记忆网络 / 极限学习机 / 智能优化算法