典型文献
基于VMD-SSA-HKELM的超短期负荷预测
文献摘要：
针对核极限学习机(kernel extreme learning machine,KELM)单一预测模型不稳定以及预测结果不准确,提出了一种变分模态分解(variational mode decomposition,VMD)与麻雀搜索算法(sparrow search algorithm,SSA)优化的混合核极限学习机(hybrid extreme learning machine,HKELM)模型.首先把预处理后的负荷序列依据变分模态技术分解为若干相对平稳的模态分量,然后同时对每个模态分量建立VMD-SSA-HKELM预测模型;再将负荷数据划分训练集和测试集;依据训练集分别用SSA算法优化HKELM的参数,将测试集代入每个模型,所测的结果叠加得出最终预测值.该模型采用麻雀算法优化的混合核极限学习机,使其在不同的参数下有良好的局部搜索能力,且能增强全局搜索能力.仿真结果表明,VMD-SSA-HKELM模型预测精度接近98.5％,为超短期负荷预测及电力系统稳定运行提供了决策的支持.
文献关键词：
变分模态分解;麻雀搜索算法;混合核极限学习机;组合预测;超短期负荷预测
中图分类号：
作者姓名：
郭建帅;崔双喜;郭建斌;姚岱伟;孙冠岳
作者机构：
新疆大学电气工程学院 乌鲁木齐830047;国网山西省电力公司技能培训中心 太原030021
文献出处：
引用格式：
[1]郭建帅;崔双喜;郭建斌;姚岱伟;孙冠岳-.基于VMD-SSA-HKELM的超短期负荷预测)[J].国外电子测量技术,2022(06):105-111
A类：
HKELM
B类：
VMD,SSA,超短期负荷预测,kernel,extreme,learning,machine,变分模态分解,variational,mode,decomposition,麻雀搜索算法,sparrow,search,algorithm,混合核极限学习机,hybrid,负荷序列,模态分量,负荷数据,数据划分,训练集,测试集,算法优化,代入,加得,麻雀算法,局部搜索,搜索能力,全局搜索,电力系统稳定,组合预测
AB值：
0.242135
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。
