基于变分模态分解与麻雀优化最小二乘支持向量机的短期电力负荷预测（VMD-SSA-LSSVM）

短期电力负荷预测是电力系统安全调度、经济运行的重要依据 , 随着电力系统的市场化 , 负荷预测的精度直接影响到电力系统运行的可靠性、经济性和供电质量。LSSVM 为短期电力负荷预测提供了一个新的研究方向，本文将LSSVM用于短期电力负荷预测 , 提出基于LSSVM的短期电力负荷预测模型 , 同时建立基于麻雀算法(SSA)模型对LLSVM进行参数优化以提高预测精度。但研究表明，直接对原始序列建立时间序列预测模型，会出现预测数据滞后于实际数据，这样的模型没有意义，这主要是因为时间序列数据中存在的自相关性造成的，因此我采用VMD分解方法对原始序列进行分解，然后对每个序列分别建模，最后把各序列测试集的结果相加作为最终结果。对比分析结果显示，该模型的预测精度优于其他多种预测模型，该模型在短期负荷预测方面表现出较好的性能。

1、相关理论

1.1 变分模态分解

1.2 最小二乘支持向量机

1.3 麻雀搜索算法

麻雀搜索算法(Sparrow Search Algorithm, SSA)是一种新型的群智能优化算法，在2020年提出，主要是受麻雀的觅食行为和反捕食行为的启发。因为这个算法是2020年出来的，知网目前还没有相关论文，想水论文的有很大机会。

2. 实验结果

2.1 基于ssa-lssvm的预测模型

直接上结果。

表面上看着还可以，而实际上，下面是结果分析：

结果分析（LSSVM）
根均方差(RMSE)：7.1226
平均绝对误差（MAE）：4.4631
平均相对百分误差（MAPE）：11.5456%

结果分析（SSA-LSSVM）
根均方差(RMSE)：6.2475
平均绝对误差（MAE）：4.0862
平均相对百分误差（MAPE）：10.0895%

同时，将两图局部放大，可以发现，LSSVM与SSA-LSSVM的波形中，预测值是滞后实际值的，这是因为自相关性引起的。https://zhuanlan.zhihu.com/p/54413813?utm_source=qq&utm_medium=social&utm_oi=676541090052575232

为此，采用变分模态分解VMD对原始序列进行分解，然后对每个模态建立LSSVM模型

2.2 基于VMD-LSSVM的预测模型

2.2.1 VMD分解结果

2.2.2 VMD-LSSVM结果

具体操作就是：首先利用变分模态方法将序列分解成一系列不同的子模态以降低原始数据的复杂度和非平稳性对预测精度的影响。再对得到的子模态分别建立 LSSVM 模型，进行超短期预测，此时每个模态的训练集与测试集应该划分一致。最后叠加各子模态的预测结果得到最终预测结果。结果如下：

从右图可以看出，类似于2.1中的滞后问题就没有了。

2.2.3 VMD-SSA-LSSVM结果

最后，为再一次提升精度，本文采用SSA算法对LSSVM的核参数与惩罚参数寻优，得到一个较优的网络结构，得到的结果如下图：

2.2.4 结果对比

结果分析-vmd-ssa-lssvm
根均方差(RMSE)：1.0546
平均绝对误差（MAE）：0.54472
平均相对百分误差（MAPE）：1.4764%

结果分析-ssa-lssvm
根均方差(RMSE)：6.2475
平均绝对误差（MAE）：4.0862
平均相对百分误差（MAPE）：10.0895%

结果分析-vmd-lssvm
根均方差(RMSE)：4.2769
平均绝对误差（MAE）：1.7114
平均相对百分误差（MAPE）：5.6377%

结果分析-lssvm
根均方差(RMSE)：7.1226
平均绝对误差（MAE）：4.4631
平均相对百分误差（MAPE）：11.5456%

从各指标可以看出，所以方法具有明显的改进。

基于变分模态分解与麻雀优化最小二乘支持向量机的短期电力负荷预测（VMD-SSA-LSSVM）相关推荐

【VMD-SSA-LSSVM】基于变分模态分解与麻雀优化Lssvm的负荷预测【多变量】（Matlab代码实现）
VMD-SSA-LSTM基于变分模态分解和麻雀算法优化长短期记忆网络的时间序列预测MATLAB代码(含LSTM、VMD-LSTM、VMD-SSA-LSTM等模型的对比)。
clc; clear all close all %% VMD-SSA-LSTM预测 tic load vmd_data.mat load lstm.mat disp('--------------- ...
分解得到的时频域特征_【推荐文章】基于变分模态分解和广义Warblet变换的齿轮故障诊断...
<机械传动>2018年第42卷第7期文章编号:1004-2539(2018)07-0157-05 DOI:10.16578/j.issn.1004.2539.2018.07.0 ...
基于改进粒子群IPSO与LSTM的短期电力负荷预测
短期电力负荷预测是电力系统安全调度.经济运行的重要依据 , 随着电力系统的市场化 , 负荷预测的精度直接影响到电力系统运行的可靠性.经济性和供电质量.LSTM 为短期电力负荷预测提供了一个新的研究方向 ...
基于注意力机制的 CNN-BiGRU 短期电力负荷预测方法
提出了一种基于 Attention 机制的CNN-BiGRU(卷积神经网络+双向GRU+注意力机制)短期电力负荷预测方法,该方法将历史负荷数据作为输入,搭建由一维卷积层和池化层等组成的 CNN 架构 ...
【Matlab电力负荷预测】粒子群优化支持向量机短期电力负荷预测【含GUI源码 751期】
一.代码运行视频(哔哩哔哩) [Matlab电力负荷预测]粒子群优化支持向量机短期电力负荷预测[含GUI源码 751期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 ...
基于BiGRU短期电力负荷预测方法
前言大家好,我是阿光. 本专栏整理了<PyTorch深度学习项目实战100例>,内包含了各种不同的深度学习项目,包含项目原理以及源码,每一个项目实例都附带有完整的代码+数据集. 正在更新 ...
[负荷预测]基于人工神经网络的短期电力负荷预测（1）
目录一.问题背景二.数据集介绍 2.1 提取Area1用电负荷 2.2 读入2014年Area1指定列负荷数据 2.3 探查Area1用电负荷数据分布 2.4 两地2014年负荷数据可视化 2.4 ...
【LSSVM回归预测】基于matlab人工蜂群算法优化最小二乘支持向量机LSSVM数据回归预测【含Matlab源码 2213期】
⛄一.人工蜂群算法优化最小二乘支持向量机LSSVM简介 1 最小二乘支持向量机最小二乘支持向量机是支持向量机的一种改进算法[9,10],它将SVM算法中的不等式约束转化为等式约束,采用最小二乘线性系 ...
回归预测 | MATLAB实现PSO-LSSVM粒子群算法优化最小二乘支持向量机多输入单输出
回归预测 | MATLAB实现PSO-LSSVM粒子群算法优化最小二乘支持向量机多输入单输出目录回归预测 | MATLAB实现PSO-LSSVM粒子群算法优化最小二乘支持向量机多输入单输出预测效 ...

基于变分模态分解与麻雀优化最小二乘支持向量机的短期电力负荷预测（VMD-SSA-LSSVM）

基于变分模态分解与麻雀优化最小二乘支持向量机的短期电力负荷预测（VMD-SSA-LSSVM）相关推荐

最新文章

热门文章