基于改进型自适应白噪声完备集成经验模态分解的工业用户负荷预测方法

摘要

工业用户的负荷通常由多种负荷类型共同组成,结构较为复杂,并且常常含有较大的冲击性负荷。传统的负荷预测方法难以准确预测负荷突变,导致预测精度不高。将负荷分解成不同频率的分量再分别进行预测是较为可行的解决方式。提出了基于改进型自适应白噪声完备集成经验模态分解的工业用户负荷预测方法。首先,采用ICEEMDAN算法将工业用户的负荷分解为高、低频模态分量。该算法利用局部均值来替换模态的估计,避免了高斯噪声对模态分解的影响,改善了传统模态分解方法中模态混叠的现象。其次,采用长短期记忆神经网络、最小二乘支持向量回归算法分别建立高、低频分量的预测模型。最后,将各分量的预测结果进行叠加重构,得到了最终的预测结果。相比于单一预测方法、其他组合预测方法等多种预测方法,所提方法的平均绝对百分比误差分别降低了26.35%,12.75%,具有最高的预测精度。