典型文献
基于变分模态分解和多模型融合的用户级综合能源系统超短期负荷预测
文献摘要：
针对用户级综合能源系统(integrated energy system,IES)多元负荷波动性和随机性较强、精确预测难度较大的问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)和多模型融合的超短期负荷预测方法.首先采用VMD将IES各类负荷序列分解成不同的本征模态函数(intrinsic mode function,IMF);然后将各IMF结合气象信息构造不同的特征集,分别输入支持向量回归机(support vector regression,SVR)、长短期记忆(long short-term memory,LSTM)网络和一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)进行预测;最后,将3个模型的预测结果输入SVR进行融合得到最终的预测值,并采用和声搜索(harmony search,HS)算法优化SVR的参数.通过某用户级IES的实际数据对所提方法的有效性进行了验证,结果表明,所提出的多模型融合方法优于单模型预测方法,对电、冷、热负荷均具有最好的预测精度.
文献关键词：
综合能源系统;负荷预测;变分模态分解;支持向量回归机;长短期记忆网络;卷积神经网络
中图分类号：
作者姓名：
叶剑华;曹旌;杨理;罗凤章
作者机构：
天津市信息传感与智能控制重点实验室(天津职业技术师范大学),天津市 津南区 300222;国网天津市电力公司,天津市 河北区 300010;国网重庆永川供电公司,重庆市 永川区 402160;智能电网教育部重点实验室(天津大学),天津市 南开区 300072
文献出处：
引用格式：
[1]叶剑华;曹旌;杨理;罗凤章-.基于变分模态分解和多模型融合的用户级综合能源系统超短期负荷预测)[J].电网技术,2022(07):2610-2618,中插15-中插18
A类：
B类：
变分模态分解,多模型融合,综合能源系统,超短期负荷预测,integrated,energy,system,IES,多元负荷,负荷波动,波动性,随机性,精确预测,variational,mode,decomposition,VMD,负荷预测方法,负荷序列,序列分解,分解成,本征模态函数,intrinsic,function,IMF,气象信息,征集,别输,支持向量回归机,support,vector,regression,SVR,long,short,term,memory,一维卷积神经网络,one,dimensional,convolutional,neural,network,1DCNN,和声搜索,harmony,search,HS,算法优化,实际数据,融合方法,单模,模型预测方法,热负荷,长短期记忆网络
AB值：
0.378091
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。
