典型文献
基于多重降噪的改进SSA-LSSVM短期电力负荷预测模型
文献摘要：
针对电力负荷数据的波动性,提出了一种基于多重降噪和改进的麻雀搜索算法(improved sparrow search algorithm,ISSA)优化的最小二乘向量机(least squares support vector machines,LSSVM)预测模型.首先,采用自适应小波阈值降噪对原始数据进行降噪处理;然后,采用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法分解数据,再将分解后较复杂的分量进行奇异值分解(singular value decomposition,SVD)降噪处理;最后,采用多策略改进麻雀搜索算法对LSSVM方法的参数进行优化,对分解后的数据进行预测叠加.这种组合模型实现了对数据的多重降噪和对ISSA算法的优化,能够有效提高预测精度.与SSA-LSSVM、ISSA-LSSVM、CEEMDAN-ISSA-LSSVM模型相比,所提出的组合模型平均绝对百分比误差分别降低52.24％,25.58％,15.79％.该结果表明,所提组合模型能够有效预测短期电力负荷.
文献关键词：
电力负荷;预测;最小二乘支持向量机;多重降噪;改进麻雀搜索算法
中图分类号：
作者姓名：
张树国;张斌
作者机构：
华北电力大学经济管理系,河北保定 071000
文献出处：
引用格式：
[1]张树国;张斌-.基于多重降噪的改进SSA-LSSVM短期电力负荷预测模型)[J].电力科学与工程,2022(10):54-63
A类：
多重降噪
B类：
LSSVM,短期电力负荷预测,负荷预测模型,负荷数据,波动性,改进的麻雀搜索算法,improved,sparrow,search,algorithm,ISSA,最小二乘向量机,least,squares,support,vector,machines,小波阈值降噪,原始数据,降噪处理,完全自适应噪声集合经验模态分解,complete,ensemble,empirical,mode,decomposition,adaptive,noise,CEEMDAN,解数,奇异值分解,singular,value,SVD,多策略,改进麻雀搜索算法,组合模型,模型实现,模型平均,平均绝对百分比误差,最小二乘支持向量机
AB值：
0.333023
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。
