基于互补型集成经验模态分解模糊熵和回声状态网络的短期电力负荷预测

计算机应用 ›› 2014, Vol. 34 ›› Issue (12): 3651-3655.

基于互补型集成经验模态分解模糊熵和回声状态网络的短期电力负荷预测

李青¹,李军¹,马昊²

1. 兰州交通大学自动化与电气工程学院,兰州 730070;
2. 宁夏东部热电股份有限公司, 银川 750000

收稿日期:2014-05-26 修回日期:2014-07-01 发布日期:2014-12-31 出版日期:2014-12-01
通讯作者: 李青
作者简介:李青(1989-),男(回族),甘肃天水人,硕士研究生, 主要研究方向:计算智能、电力负荷预测;李军(1969－),男(回族), 甘肃兰州人,教授,博士, 主要研究方向:计算智能、复杂非线性系统的建模、预测与控制；马昊(1988－),男(回族), 甘肃天水人,助理工程师, 主要研究方向:计算智能、风电功率预测。
基金资助:
甘肃省财政厅基本业务费资助项目;甘肃省教育厅硕导项目

Short-term electricity load forecasting based on complementary ensemble empirical mode decomposition-fuzzy permutation and echo state network

LI Qing¹,LI Jun¹,MA Hao²

1. College of Automation and Electrical Engineering, Lanzhou Jiaotong University, Gansu Lanzhou 730070,China;
2. East Thermal Power Company Limited, Yinchuan Ningxia 750000,China

Received:2014-05-26 Revised:2014-07-01 Online:2014-12-31 Published:2014-12-01
Contact: LI Qing

摘要/Abstract

摘要：

为了提高短期电力负荷预测的精度,提出一种噪声互补型集成经验模态分解(CEEMD)模糊熵和泄漏积分型ESN(LiESN)的组合预测方法。为降低对负荷序列进行局部分析的计算规模以及提高负荷预测的准确性,首先采用CEEMD模糊熵将负荷时间序列分解为具有明显复杂度差异的负荷子序列；然后,通过对各子序列进行特性分析,分别构建相应的子LiESN预测模型；最后将各子序列的预测结果叠加得到最终预测值。将CEEMD模糊熵结合LiESN的组合预测方法应用于美国新英格兰地区短期电力负荷实例中,仿真结果表明,所提出的组合预测方法具有很高的预测精度。

Abstract:

Based on Complementary Ensemble Empirical Mode Decomposition (CEEMD)-fuzzy entropy and Echo State Network (ESN) with Leaky integrator neurons (LiESN), a kind of combined forecast method was proposed for improving the precision of short-term power load forecasting. Firstly, in order to reduce the calculation scale of partial analysis for power load series and improve the accuracy of load forecasting, the power load time series was decomposed into a series of power load subsequences with obvious differences in complex degree by using CEEMD-fuzzy entropy, according to the characteristics of each subsequence, and then the corresponding LiESN forecasting submodels were built, the ultimate forecasting results could be obtained by the superposition of the forecasting model. The CEEMD-LiESN method was applied to the instance of short term electricity load forecasting of the New England region. The experimental results show that the proposed combination forecasting method has a high prediction precision.

中图分类号:

TP391.9

李青李军马昊. 基于互补型集成经验模态分解模糊熵和回声状态网络的短期电力负荷预测[J]. 计算机应用, 2014, 34(12): 3651-3655.

LI Qing LI Jun MA Hao. Short-term electricity load forecasting based on complementary ensemble empirical mode decomposition-fuzzy permutation and echo state network[J]. Journal of Computer Applications, 2014, 34(12): 3651-3655.

参考文献

［1］LIAO N, HU Z, MA Y, et al. Review of the short-term load forecasting methods of electric power system［J］. Power System Protection and Control, 2011, 39(1): 147-152.(廖旎焕, 胡智宏, 马莹莹, 等. 电力系统短期负荷预测方法综述［J］. 电力系统保护与控制, 2011, 39(1): 147-152.)
［2］SHI B, LI Y, YU X, et al. Short term load forecasting based on modified particle swarm optimizer and fuzzy neural network model［J］. Systems Engineering Theory and Practice, 2010, 30(1): 157-166. (师彪, 李郁侠, 于新花, 等. 基于改进粒子群-模糊神经网络的短期电力负荷预测［J］. 系统工程理论与实践, 2010, 30(1): 157-166.)
［3］NIU D, WANG Y, WU D. Power load forecasting using support vector machine and ant colony optimization［J］. Expert Systems with Applications, 2010, 37(3): 2531-2539.
［4］ZHANG J, TAN Z. Short-term load forecasting based on empirical mode decomposition, econometric model and chaotic model［J］. Power System Technology, 2011, 35(9): 181-187. (张金良, 谭忠富. 基于经验模态分解和计量经济学模型及混沌模型的短期负荷预测［J］. 电网技术, 2011, 35(9): 181-187.)
［5］GUO Z, ZHAO W, LU H, et al. Multi-step forecasting for wind speed using a modified EMD-based artificial neural network model［J］. Renewable Energy, 2012, 37(1): 241-249.
［6］WANG H, HU Z, CHEN Z, et al. A hybrid model for wind power forecasting based on ensemble empirical mode decomposition and wavelet neural networks［J］. Transactions of China Electrotechnical Society, 2013, 28(9): 137-144.) (王贺, 胡志坚, 陈珍, 等. 基于集合经验模态分解和小波神经网络的短期风功率组合预测［J］. 电工技术学报, 2013, 28(9): 137-144.)
［7］ZHANG X,LIANG J. Chaotic time series prediction model of wind power based on ensemble empirical mode decomposition-approximate entropy and reservoir ［J］. Acta Physica Sinica,2013,62(5): 1-10.(张学清,梁军.基于EEMD-近似熵和储备池的风电功率混沌时间序列预测模型［J］．物理学报,2013,62(5): 1-10.)
［8］WU Z, HUANG N. Ensemble empirical mode decomposition: a noise-assisted data analysis method ［J］. Advances in Adaptive Data Analysis, 2009, 1(1): 1-41.
［9］YEH J R, SHIEH J S, HUANG N E. Complementary ensemble empirical mode decomposition: a novel noise enhanced data analysis method［J］. Advances in Adaptive Data Analysis, 2010, 2(2): 135-156.
［10］JI L, NIU D, WU H. Daily peak load forecasting based on Bayesian framework and echo state network ［J］. Power System Technology, 2012, 36(11): 82-86. (嵇灵, 牛东晓, 吴焕苗. 基于贝叶斯框架和回声状态网络的日最大负荷预测研究［J］. 电网技术, 2012, 36(11): 82-86.)
［11］LUO Y. Comparative study on traffic flow prediction based on ESN and Elman neural networks ［J］. Journal of Hunan University of Technology, 2013, 27(6): 67-72. (罗轶. 基于 ESN 和 Elman 神经网络的交通流预测对比研究［J］. 湖南工业大学学报, 2013, 27(6): 67-72.)
［12］JAEGER H, LUKOSEVICIUS M, POPOVICI D. Optimization and applications of echo state networks with leaky integrator neurons［J］. Neural Networks, 2007, 20(3): 335-352.
［13］CHEN W, WANG Z, XIE H, et al. Characterization of surface EMG signal based on fuzzy entropy［J］. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2007, 15(2): 266-272.
［14］ZHANG X, LAI K, WANG S. A new approach for crude oil price analysis based on empirical mode decomposition［J］.Energy Economics,2008, 30(3): 905-918.

[1]	闫文杰, 党东月. 基于特征自适应提取的宽度量子态层析模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3861-3866.
[2]	王一帆, 林绍福, 李云江. 基于区块链和零知识证明的高速公路自由流收费方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3741-3750.
[3]	何长久, 杨婧涵, 周丕宇, 边昕烨, 吕明明, 董迪, 付岩, 王海鹏. 基于Transformer和门控循环单元的肽序列理论串联质谱图预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3958-3964.
[4]	刘哲旭张澳冰樊智勇. 飞机狭小空间虚拟维修姿态分层求解方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[5]	苗荣华孙奕程王森武燕婷杜明鲍劲松. DTOps：数字孪生系统开发运维一体化方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[6]	王中钰, 钱晓东. 基于改进期望最大化算法的供应链网络边连接规则优化[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3386-3395.
[7]	王昱, 关智慧, 李远鹏. 基于轨迹预测和分布式MADDPG的无人机集群追击决策[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3623-3628.
[8]	阚绪康, 史格非, 杨雪榕. 基于动态特征点滤除与关键帧选择优化的ORB-SLAM2算法[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3185-3190.
[9]	陈廷伟, 张嘉诚, 王俊陆. 面向联邦学习的随机验证区块链构建[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2770-2776.
[10]	黄梦源, 常侃, 凌铭阳, 韦新杰, 覃团发. 基于层间引导的低光照图像渐进增强算法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1911-1919.
[11]	符五久周林邓建杰游泳. 分数阶自治动力学系统初值问题的递推公式及其应用[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[12]	封筠, 毕健康, 霍一儒, 李家宽. 轻量化沥青路面裂缝图像分割网络PIPNet[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1520-1526.
[13]	沈涵, 王中生, 周舟, 王长元. 基于多应用场景的改进DV-Hop定位模型[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1219-1227.
[14]	马源源, 解蕾蕾, 董南, 刘娜. 考虑用户能动性和流动性的舆情传播模型[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 619-627.
[15]	郭呈史春秀梅顺峰张熠. 基于大数据的复杂系统智能建模方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.