基于Elman神经网络算法的用户短期用电量预测

摘要

针对用户短期用电量预测能力低下的问题,提出了神经网络算法模型,实现用电预测系统的设计。用电预测评定的功能设计,通过完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)算法和经验模态分解(Empirical Mode Decomposition,EMD)信号对用电预测数据进行评估和计算,进而实现对用电预测终端、电网负荷的评定。采用双层极限梯度提升(Extreme Gradient Boosting,XGBoost)算法构建弱学习器,提取用电预测数据的特征变量,调用权重和增益完成特征选择,建立好预测模型后进行负荷预测。实验表明,在进行用电预测的精确度测试时,用电预测的准确度可达97%。