论文部分内容阅读
作为人类目前最重要的能源之一,电能在国家资源管理中的地位举足轻重,是国家和社会发展的主要推动力.其中,短期用电量需求预测在电力系统规划中起着至关重要的作用,但是与其他能源不同,电力不能大规模存储,对短期用电量的高估或者低估都会不可避免的造成能源的浪费和损失.因此准确有效地用电量需求预测可以帮助电力系统运营商和市场参与者根据相应的预测信息提出招标策略并确保消费者的电力供应,从而降低用电量成本,减小能源消耗.根据短期用电量需求数据的季节效应与非线性特性,本文提出了一种新的混合优化预测模型(SEA-EEMD-GPEE)用于对每小时用电量数据进行更加精确的分析和预测.由于原始用电量序列常常受到季节效应的影响,首先对序列进行季节指数调整(SEA),旨在剔除序列的季节项,然后用集合经验模态分解(EEMD)的方法将去除季节效应的序列分解为若干个处于不同频率的本征模态函数(IMFs),把这些IMFs整合为原始序列的三个子序列,分别为高频子序列,中频子序列和低频子序列,最后用GRNN预测高频序列,对中频部分采用Elman神经网络进行预测,并用粒子群优化算法优化网络的参数(PSO-Elman),对低频序列建立极限学习机模型(ELM),最终得到新的混合优化预测模型SEA-EEMD-GPEE.将该模型用于对美国加利福尼亚州每小时电力需求数据的分析和预测,并且建立四种比较模型(GRNN,SEA-GRNN,SEA-EMD-GEE,SEA-EEMD-GEE)来验证模型SEA-EEMD-GPEE的优越性.实证研究表明,新的混合优化模型(SEA-EEMD-GPEE)的预测效果要优于其他四种比较预测模型且具有较高的预测精度.