文献类型：期刊文章

作　　者：李飞宏[1] 肖迎群[2]

LI Fei-Hong;XIAO Ying-Qun(School of Electrical Engineering,Guizhou University,Guiyang 550025,China;School of Big Data,Guizhou Institute of Technology,Guiyang 550003,China)

机构地区：[1]贵州大学电气工程学院,贵阳550025 [2]贵州理工学院大数据学院,贵阳550003

出　　处：《计算机系统应用》

年　　份：2022

卷　　号：31

期　　号：11

起止页码：223-229

语　　种：中文

收录情况：IC、JST、ZGKJHX、普通刊

摘　　要：为降低负荷序列的复杂性,利用EMD分解方法得到不同的分量.为降低训练时间和减小分量逐个预测所带来的累计误差,利用分量过零率大小将分量重构为高频分量和低频分量,利用TCN模型预测负荷的高频分量,利用极限学习机ELM预测负荷低频分量.通过实验将所提模型EMD-TCN-ELM分别与3个单模型TCN、ELM、LSTM和3个混合模型EMD-TCN、EMD-ELM、EMD-LSTM比较,其MAPE分别降低0.538%,1.866%,1.191%,0.026%,1.559%,0.323%,所提模型的预测精度最高.且所提模型在预测精度前3的模型中训练时间最短,验证了所提模型在负荷预测精度和训练时间方面的优越性.

关 键 词：负荷预测 经验模态分解 时序卷积网络  极限学习机 电力系统  

分 类 号：TM715] TP18]