VMD-Stacking集成学习的多特征变量短期负荷预测模型.pdf
《VMD-Stacking集成学习的多特征变量短期负荷预测模型.pdf》由会员分享,可在线阅读,更多相关《VMD-Stacking集成学习的多特征变量短期负荷预测模型.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 卷 第 期兵 器 装 备 工 程 学 报 年 月 收稿日期:修回日期:基金项目:重庆市自然科学基金面上项目()重庆市教育委员会科学技术研究计划()重庆理工大学研究生教育高质量发展行动计划资助成果()作者简介:王士彬()男博士高级工程师:.通信作者:何鑫()男硕士研究生:.:./.集成学习的多特征变量短期负荷预测模型王士彬何 鑫余成波张 未陈 佳(.国网重庆市电力公司市南供电分公司 重庆.重庆理工大学 电气与电子工程学院 重庆.重庆市能源互联网工程技术研究中心重庆)摘要:针对当前短期电力负荷预测结果准确度不够高的问题提出一种由变分模态分解()和 集成学习框架组合的多特征变量短期负荷预测模型
2、在预测前使用 算法将负荷数据分解然后加入对模型重要性较高的特征变量再建立由轻量级梯度提升机()与极限梯度提升机()融合的 集成学习预测模型并比较不同天气情况下对预测模型准确度的影响 经实际算例对比验证表明:多特征的 集成学习预测模型的误差较小 采用 算法分解历史负荷序列分解后子模态分量的周期性体现了出来让模型预测波动性较大的负荷时更容易温度、天气、农历和节假日情况等影响负荷变化的关键因素有被考虑到模型的准确度得以提高 集成学习模型对各算法取长补短泛化能力增强预测的准确度高于单一模型关键词:短期电力负荷预测变分模态分解 集成学习多特征变量轻量级梯度提升机极限梯度提升机本文引用格式:王士彬何鑫余成
3、波等.集成学习的多特征变量短期负荷预测模型.兵器装备工程学报():.:.():.中图分类号:文献标识码:文章编号:()(.):().()().().:引言在电力系统中电力负荷是重要的组成部分更准确的负荷预测结果能让电网制定更灵活、经济的调度计划确保电力系统安全、稳定地运行 因此提高电力负荷预测准确度意义重大电力负荷预测主要是通过对历史负荷数据资料进行统计分析利用数学模型和统计方法对未来某一时期内电力系统各负荷点的用电情况进行预测短期负荷预测时间为 天到 个星期 目前短期电力负荷预测的理论和方法展开了大量研究 周莽等对负荷数据及有关天气、节假日信息进行栈式自编码然后构建门控循环单元神经网络预测电
4、力负荷实例结果显示这种包含更多信息的模型具有预测误差更小、精度更高的特点 李坤奇等对居民用电进行短期预测时考虑到了不同用户的用电习惯并构建了由时间以及气候信息组成的多特征时间序列数据集使预测误差大幅降低 张宁用集成经验模式分解算法把负荷数据自适应分解后根据不同分量的特点建立极限学习机模型对电力负荷短期预测经实验证明相比于传统极限学习机、支持向量机模型的平均绝对误差降低约.在负荷组成成分更复杂、短时间变化量更大的工业负荷使用单一预测算法结果精度往往较低亓晓燕等对某钢铁工业地区负荷分解再使用一种融合长短期记忆网络和支持向量机不同优点的改进算法预测比单独采用长短期记忆网络、支持向量机算法的模型准确率
5、分别提升了.、.可见在负荷预测过程中使用有效的多特征变量、数据分解、模型融合等方法可以提高预测准确度 为了减小负荷序列波动性影响、学习到更多有效特征信息、对多个算法取长补短提出了一种 集成学习的多特征变量短期负荷预测模型 模型原理.算法 和 在 年提出了 算法这种分解方法使用迭代搜索变分模型最优解来确定每个子模态分量的中心频率及带宽且每个模态在解调成基带之后是平滑的 分解后的 分量能够特征互异避免模态混叠和端点效应对采样和噪声有更强的鲁棒性 类似的使用 分解电力负荷序列可以得到较为平稳的子序列来提高负荷预测结果的准确度 具体步骤为:第 步:把电力负荷序列()分解成预设的 个 分量然后对每个负荷
6、子序列()做 变换得到相应的单边频谱:()()()()式()中:()为狄拉克函数为卷积运算符第 步:在每个()中加入预估的中心频率 进行修正并将其频谱移到基频带上计算公式为()()()()第 步:计算梯度的 范数的平方估计对应负荷子序列()的基频带宽为了使得其带宽估计之和最小构建出带约束条件的变分模型如下:()()().()()()式()中:为偏导运算符为 范数第 步:为了简化计算式()的约束变分问题引入乘子()和二次惩罚因子 将其转为无约束条件的变分模型:王士彬等:集成学习的多特征变量短期负荷预测模型()()()()()()()()()()第 步:结合傅里叶等距变换使用交替方向乘子法更新各
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- VMD Stacking 集成 学习 特征 变量 短期 负荷 预测 模型
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。