典型文献
基于核极限学习机的负荷多粒度预测模型
文献摘要：
台区负荷数据不仅作为时序数据呈现自相关性,还易受台区环境因素影响呈现非平稳性,因此预测精度不仅与预测模型结构有关,还与输入数据的时序特征有关.为了提高台区负荷的预测精度,提出一种基于混沌时序分析与核极限学习机的短期负荷多粒度预测模型.针对负荷数据的非平稳特征,通过变分模态分解算法将非平稳的原始信号转换成一系列相对平稳的子信号;针对负荷数据中的自相关特征,通过混沌时序分析方法,求解各个模态输入预测模型时的时间窗大小;构建多粒度核极限学习机预测模型,解决负荷数据中非平稳、自相关性对负荷预测的不利影响,提高模型的预测精度.结果表明,负荷的预测精度受输入数据时间窗大小的影响,不同模态分量的最佳时间窗的大小不同.采用混沌相时序分析的方法评估各个模态分量的最佳时间窗大小,可以有效提升核极限学习机的预测精度.
文献关键词：
负荷预测;时间序列分析;变分模态分解;极限学习机;智能电网
中图分类号：
作者姓名：
崔娇;文玉兴;余永胜;欧钰瞧;陈蒙;谷紫文
作者机构：
云南电网有限责任公司 昆明供电局,昆明 650011;湖南大学 电气与信息工程学院,长沙 410082
文献出处：
引用格式：
[1]崔娇;文玉兴;余永胜;欧钰瞧;陈蒙;谷紫文-.基于核极限学习机的负荷多粒度预测模型)[J].重庆大学学报,2022(01):68-78
A类：
B类：
核极限学习机,多粒度,粒度预测,台区,负荷数据,时序数据,自相关性,非平稳性,模型结构,输入数据,时序特征,高台,混沌,时序分析,短期负荷,平稳特征,变分模态分解算法,信号转换,转换成,模态输入,时间窗,极限学习机预测,负荷预测,模态分量,方法评估,时间序列分析,智能电网
AB值：
0.26026
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。
