基于EMD-IPSO-LSTM模型的短期电力负荷预测_赵一鸣.pdf

1、 国外电子测量技术北大中文核心期刊D O I:1 0.1 9 6 5 2/j.c n k i.f e m t.2 2 0 4 3 3 5基于EMD-I P S O-L S TM模型的短期电力负荷预测赵一鸣 吉月辉 刘俊杰 陈嘉齐(天津理工大学电气工程与自动化学院 天津 3 0 0 3 8 4)摘 要:准确地预测短期负荷为发电厂电力调度提供依据,提高电力系统的经济性。由于负荷数据的非线性非平稳性,提出一种经验模态分解-改进粒子群算法-长短期记忆(EMD-I P S O-L S TM)的预测模型。首先,利用EMD处理非线性的负荷序列,将序列分解为多个本征模态函数(I MF)以及残差(R e s),

2、引入非线性递减分配方法和正弦函数分别改进粒子群算法(P S O)的惯性权重和学习因子,可以更有效地寻找L S TM参数的最优解。其次,利用I P S O优化L S TM的第1层神经元个数、损失率、以及批量大小等参数,将所有I MF和R e s分为高、中,低频三组分量,并代入优化后的L S TM网络进行预测,叠加获取最终的预测结果。最后,以 G E F C o m 2 0 1 4 预测竞赛电力负荷数据集进行仿真实验,并且对L S TM、I P S O-L S TM、EMD-P S O-L S TM这3种模型作比较,结果表明所提的预测模型具有较高的预测精度。关键词:短期负荷预测;经验模态分解;改进

3、的粒子群算法;长短时神经网络中图分类号:TN 2文献标识码:A国家标准学科分类代码:5 2 0.6 0 4 S h o r t t e r m p o w e r l o a d f o r e c a s t i n g b a s e d o n EMD-I P S O-L S TM m o d e l Z h a o Y i m i n g J i Y u e h u i L i u J u n j i e C h e n J i a q i(S c h o o l o f E l e c t r i c a l E n g i n e e r i n g a n d A u t o m

4、 a t i o n,T i a n j i n U n i v e r s i t y o f T e c h n o l o g y,T i a n j i n 3 0 0 3 8 4,C h i n a)A b s t r a c t:A c c u r a t e p r e d i c t i o n o f s h o r t-t e r m l o a d p r o v i d e s b a s i s f o r p o w e r d i s p a t c h i n g o f p o w e r p l a n t s a n d i m p r o v e s t

5、 h e e c o n o m y o f p o w e r s y s t e m s.D u e t o t h e n o n-l i n e a r a n d n o n-s t a t i o n a r y n a t u r e o f l o a d d a t a,t h i s p a p e r p r o p o s e s a p r e d i c t i o n m o d e l b a s e d o n e m p i r i c a l m o d e d e c o m p o s i t i o n-i m p r o v e d p a r t

6、 i c l e s w a r m o p t i m i z a t i o n-l o n g s h o r t-t e r m m e m o r y(EMD-I P S O-L S TM).F i r s t,t h e EMD i s u s e d t o d e a l w i t h t h e n o n l i n e a r l o a d s e q u e n c e,a n d t h e s e q u e n c e i s d e c o m p o s e d i n t o m u l t i p l e i n t r i n s i c m o d e f u n c t i o n s(I MF)a n d r e s i d u a l s(R e s).T h e n o n l i n e a r d e c r e a s i n g a s s i g n m e n t m e t h o d a n d s i n e f u n c t i o n a r e i n t r o d u c e d t o i m p r