【技术实现步骤摘要】
基于EMD-KELM-EKF的微网短期负荷预测方法
本专利技术属于智能电网控制
，特别涉及基于EMD-KELM-EKF的微网短期负荷预测方法。专利技术背景随着我国城镇化建设的发展，用户用电需求将进一步增加，同时也为可再生分布式电源的规模化接入提供了可实施的外部环境。以居民小区、商业楼宇、工业厂区为主体的用户侧微电网将成为促进可再生能源就地消纳利用，发挥分布式电源效能的有效方式。短期负荷预测是用户侧微电网能量管理系统的重要组成部分，是对微源进行优化调度的基础，预测结果将直接影响微电网运行策略与电能交易。相关研究表明，较高的微电网负荷预测误差将导致运行成本大幅增加。相对于大电网环境，微电网进行短期负荷预测的难度更高，这主要是由于负荷的随机性强，历史负荷曲线相似度低，再加上用户容量有限，各用户间负荷特征相互平滑作用较小，负荷总体波动较大。当前针对微电网短期负荷预测的研究成果相对有限，且计算复杂度较高。针对以单个或集体用户为业主的小容量用户侧微电网，除保证较高的短期负荷预测精度外，还应降低负荷预测方法的计算复杂度，以便于在普通计算机或嵌入式终端装置上实现。
技术实现思路
针对上述现有技术存在的问题，本专利技术提出基于EMD-KELM-EKF的微网短期负荷预测方法，其特征在于，该预测方法包括如下步骤:步骤1:对微电网历史负荷数据进行预处理后作为训练样本，提取其负荷属性；步骤2:基于经验模态分解EMD、核函数极限学习机KELM、扩展卡尔曼滤波EKF，确定基于EMD-KELM-EKF的组合预测模型及其参数初值；步骤3:使用粒子群优化算法优选组合预测模...
【技术保护点】
基于EMD‑KELM‑EKF的微网短期负荷预测方法，其特征在于，该预测方法包括如下步骤：步骤1：对微电网历史负荷数据进行预处理后作为训练样本，提取其负荷属性；步骤2：基于经验模态分解EMD、核函数极限学习机KELM、扩展卡尔曼滤波EKF，确定基于EMD‑KELM‑EKF的组合预测模型及其参数初值；步骤3：使用粒子群优化算法优选组合预测模型的参数；步骤4：将测试样本带入参数确定后的基于EMD‑KELM‑EKF的组合预测模型，得到预测结果。
【技术特征摘要】
1.基于EMD-KELM-EKF的微网短期负荷预测方法，其特征在于，该预测方法包括如下步骤: 步骤1:对微电网历史负荷数据进行预处理后作为训练样本，提取其负荷属性； 步骤2:基于经验模态分解EMD、核函数极限学习机KELM、扩展卡尔曼滤波EKF，确定基于EMD-KELM-EKF的组合预测模型及其参数初值； 步骤3:使用粒子群优化算法优选组合预测模型的参数； 步骤4:将测试样本带入参数确定后的基于EMD-KELM-EKF的组合预测模型，得到预测结果。2.根据权利要求1所述的基于EMD-KELM-EKF的微网短期负荷预测方法，其特征在于，所述步骤I具体为: 子步骤11:选取相同类型临近日期的历史负荷数据，通过加权平均来对历史负荷数据进行补遗缺失或修正异常，公式如下: Xi — a JX^24+ ct 2xi+24 ； 其中，Xi表示第i个时刻的预处理后的历史负荷数据；a i和α 2是加权平...
【专利技术属性】
技术研发人员：汤庆峰，刘念，张建华，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。