针对在短期负荷功率预测过程中,因负荷功率波动大而导致单一模型存在预测精度低的问题,提出基于时间特征分析的短期负荷功率NST-IRN组合预测模型。首先,深度挖掘负荷功率的时间特性变化,将其分解为趋势成分以及循环分量,构建新型时间序...针对在短期负荷功率预测过程中,因负荷功率波动大而导致单一模型存在预测精度低的问题,提出基于时间特征分析的短期负荷功率NST-IRN组合预测模型。首先,深度挖掘负荷功率的时间特性变化,将其分解为趋势成分以及循环分量,构建新型时间序列(NTS)模型。其次,考虑多时间尺度输入特征与日类型对负荷功率的影响,构建含特征输入结构与深度学习结构的改进残差神经网络(IRN)模型。最后,利用D-S证据理论对NTS与IRN模型的预测结果进行权重融合,以获取最终负荷预测结果。以ISO New England的真实负荷数据进行仿真实验,结果表明所提模型具有较高的预测精度和鲁棒性。展开更多
文摘针对在短期负荷功率预测过程中,因负荷功率波动大而导致单一模型存在预测精度低的问题,提出基于时间特征分析的短期负荷功率NST-IRN组合预测模型。首先,深度挖掘负荷功率的时间特性变化,将其分解为趋势成分以及循环分量,构建新型时间序列(NTS)模型。其次,考虑多时间尺度输入特征与日类型对负荷功率的影响,构建含特征输入结构与深度学习结构的改进残差神经网络(IRN)模型。最后,利用D-S证据理论对NTS与IRN模型的预测结果进行权重融合,以获取最终负荷预测结果。以ISO New England的真实负荷数据进行仿真实验,结果表明所提模型具有较高的预测精度和鲁棒性。
