典型文献
基于EEMD-SSA组合模型的短期电力负荷预测
文献摘要：
由于电力系统运行受多种因素的影响,因此电力负荷呈现较强的波动性和不稳定性,从而影响电网短期负荷预测的准确性.为减小预测误差,提出一种组合模型策略.首先采用集合经验模态分解将原始数据分解为若干分量,根据各分量数据所含信息量的不同,将分量分为两组,分别利用反向传播神经网络和长短时记忆网络进行预测.并在此基础上,利用樽海鞘群优化算法对每个分量预测网络中的神经元个数与输入变量的滞后项进行优化,得到最终的 EEMD-SSA(Ensemble Empirical Mode Decomposition-Salp Swarm Algorithm)的组合预测模型.最后,将此模型应用于某地实测数据进行负荷预测.实验结果表明,该组合模型比单一网络模型及其他模型具有更好的预测效果.
文献关键词：
负荷预测;组合模型;EEMD分解;SSA优化算法
中图分类号：
作者姓名：
曹广华;陈前;齐少栓;闫丽梅
作者机构：
东北石油大学电气信息工程学院,黑龙江大庆163318;河南送变电建设有限公司土建施工分公司,郑州450000
文献出处：
引用格式：
[1]曹广华;陈前;齐少栓;闫丽梅-.基于EEMD-SSA组合模型的短期电力负荷预测)[J].吉林大学学报（信息科学版）,2022(03):362-370
A类：
B类：
EEMD,SSA,组合模型,短期电力负荷预测,电力系统运行,波动性,电网短期负荷预测,预测误差,集合经验模态分解,原始数据,数据分解,若干分,所含,信息量,反向传播神经网络,长短时记忆网络,海鞘,预测网络,后项,Ensemble,Empirical,Mode,Decomposition,Salp,Swarm,Algorithm,组合预测模型,模型应用,该组
AB值：
0.379396
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
