基于EEMD-CatBoost的短期电力负荷预测

准确的负荷预测在电力调度、系统可靠性和规划中起着关键作用。针对各种不确定因素造成了电力需求的波动,本文提出了一种基于EEMD-CatBoost的短期负荷预测方法。模型利用集合经验模态分解(EEMD)对非平稳原始序列进行处理,将原始电力负荷数据分解为有限个固有模态函数(Intrinsic Mode Functions,IMF)和一个残差分量,以降低负荷序列的复杂度,再将分解后的各分量分别输入到CatBoost中预测,然后将每个分量的预测值重组,得到最终的负荷预测结果。以某地的实际数据为例,综合比较了该方法与现有电力负荷短期预测技术的性能。与现有基准相比,所提出的方法得到了相当精确的结果。

一种改进的人工鱼群粒子滤波算法

粒子滤波(Particle Filter,PF)相对于其他滤波算法在处理非线性非高斯类型的系统中具有明显的优势,但是标准粒子滤波本身并不完美,因此提出了一种改进的人工鱼群算法去优化粒子滤波算法。先改进人工鱼群算法中鱼群移动的步长,再将人工鱼群算法的觅食行为和聚群行为引入粒子滤波,使其驱动粒子向高似然区域移动,进而改善粒子分布,有利于解决粒子退化和粒子贫化的问题。最后,将改进的人工鱼群粒子滤波算法与粒子滤波法以及扩展卡尔曼滤波器(Extended Kalman Filter,EKF)算法进行仿真实验对比,结果表明改进的人工鱼群粒子滤波算法在各方面均优于其他两种算法。