基于CEEMDAN與量子粒子支持向量機的電力負荷組合預測*

賈逸倫，龔慶武，李俊雄，占勁松

（武漢大學 電氣工程學院，武漢 430072）

0 引 言

負荷預測在現代電力系統運行管理中占有重要地位，對其精確預測是保證電力系統穩定調度與計劃的重要基礎。目前多種方法已應用于此方向，如神經網絡模型，支持向量機（SVM）模型，時間序列（ARMA）方法，卡爾曼濾波等方法［1-3］。而在實際操作中，由于負荷信號往往具有復雜的時頻分布特性與動態機理較強的非線性特征，故單一預測方法往往不能兼顧不同時間尺度的變化特征。而使用前置分解能提取出非穩態負荷信號中不同時間尺度的信息，并用統計學方法分別對其進行預測，故該類方法往往能改善預測效果［4-5］。經驗模態分解（Empirical Mode Decomposition，EMD）是近年黃鍔提出的一種自適應處理非線性與非穩態信號方法，可以依次分解信號中的不同尺度信息。相比小波分析等其他分解方法，EMD克服了需要人為經驗選擇小波基函數與分解層數等不足，減少了主觀因素對結果的影響。然而其自身仍存在著一些不足，如信號采樣率設置、分解過程的循環終止條件設置、樣條插值邊界效應處理等問題。其中，分解產生的模態混疊現象，會對后續的預測結果產生較強的影響。針對模態混疊問題，Huang提出集合經驗模態分解方法（EEMD）［6］，通過添加均勻分布的高斯白噪聲，并利用多次平均計算使零均值白噪聲互相抵消，從而消除模態混疊現象并消除白噪聲［7］。

然而，由于白噪聲分布的隨機性及集成平均實驗次數的有限性，在多尺度分解后，各重構信號仍有一定幅值的噪聲殘留，使預測的準確性降低，重構誤差可以通過增大集成平均計算次數減少，但會增大運算量，提高計算負荷。……