基于VMD和PSO-SVR的短期電力負(fù)荷多階段優(yōu)化預(yù)測

李文武，石強，李丹，胡群勇，唐蕓，梅錦超

(1. 三峽大學(xué) 電氣與新能源學(xué)院，湖北 宜昌 443002；2. 梯級水電站運行與控制湖北省重點實驗室（三峽大學(xué)），湖北 宜昌 443002；3. 廣東電網(wǎng)有限責(zé)任公司中山供電局，廣東 中山 528400)

0 引言

電力負(fù)荷預(yù)測在電網(wǎng)系統(tǒng)規(guī)劃和運行方面發(fā)揮著重要的作用。短期負(fù)荷預(yù)測作為負(fù)荷預(yù)測的重要組成部分，其常用的預(yù)測方法可概括為3大類：數(shù)理統(tǒng)計模型、人工智能算法和組合預(yù)測模型[1-2]。數(shù)理統(tǒng)計法的理論基礎(chǔ)較強，模型建立較為簡單[3]。機器學(xué)習(xí)和深度學(xué)習(xí)等為代表的人工智能算法自我學(xué)習(xí)能力較強，對模型和數(shù)據(jù)具有很好的適應(yīng)性。反向傳播網(wǎng)絡(luò)（back propagation，BP）、支持向量回歸（support vector regression，SVR）和長短時記憶網(wǎng)絡(luò)等模型在短期電力負(fù)荷預(yù)測等應(yīng)用中取得了較好的效果[4]。文獻(xiàn)[5]提出了具有遺傳算法（genetic algorithm，GA）的預(yù)測模型，有效提升了短期電力負(fù)荷預(yù)測的精度。然而，實際負(fù)荷序列的非線性和隨機性較強，給短期負(fù)荷的可靠預(yù)測造成了困難。

目前主要采用小波變換、經(jīng)驗?zāi)B(tài)分解（empirical mode decomposition，EMD）、集成經(jīng)驗?zāi)B(tài)分解（ensemble empirical mode decomposition，EEMD）、帶自適應(yīng)噪聲的完全集成經(jīng)驗?zāi)B(tài)分解（complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN）和變分模態(tài)分解（variational mode decomposition,VMD）等信號分解技術(shù)對原始電力負(fù)荷數(shù)據(jù)進行預(yù)處理，明顯改善了模型的預(yù)測性能[6-8]。文獻(xiàn)[9]提出了模糊邏輯與小波變換相結(jié)合的廣義神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測。文獻(xiàn)[10]采用了SVR進行短期負(fù)荷預(yù)測，獲得了更高的預(yù)測精度。文獻(xiàn)[11-12]提出了短期負(fù)荷區(qū)間預(yù)測模型，所得到的預(yù)測效果優(yōu)于采用EMD分解的模型。文獻(xiàn)[13]有效改良了基礎(chǔ)模型的性能，提升了負(fù)荷預(yù)測的精度。……