基于经验模态分解的短期电力负荷预测

【摘要】：实现电力系统安全、经济运行的基础是电力系统负荷预测。对于一个电力系统而言,负荷预测对提高电网运行的安全性和经济性,以及改善电能质量都起着至关重要的作用。 如何选取合适的预测方法是电力负荷预测的核心问题,也就是如何建立适用于所研究地区的负荷预测数学模型。伴随着现代科学技术的飞速发展,电力负荷预测的研究方法也在不断变化,新思想新算法层出不穷,从经典的统计分析方法到现代的智能算法,使负荷预测精度得到了大大提高。然而,由于短期电力负荷预测问题的复杂性,这些方法又不可避免的表现出一定的局限性。 经验模态分解(EMD)法是一种新的信号分析方法。经过十多年的发展,该方法的理论研究价值和广阔的应用前景已逐渐被人们所认可,它处理非平稳信号的能力更是被人们所重视。本论文对信号的瞬时频率、特征时间尺度以及本征模函数的基本概念做了详细介绍,并重点研究了EMD的分解原理和算法。 在对目前常用的短期电力负荷预测方法进行对比研究后,本论文提出了一种进行短期电力负荷预测的新方法。针对负荷序列的周期性、随机性、不平稳等特点,先将负荷序列进行经验模态分解(EMD),再根据每个分量(IMF)的不同特点,利用MATLAB7.0的系统辨识工具箱对每个IMF分量进行模型的选定(AR模型、MA模型、ARMA模型)、模型定阶、并实现预报,最后将预测值重构,得到最终的预测值。以欧洲智能技术网络(EUNITE)竞赛数据进行仿真,结果表明,该方法具有较高的预测精度。