摘 要

针对现在大部分的确定性预测模型，我们在此文中建立了一种基于总体平均经验模态分解（EEMD）以及最小二乘支持向量机（LS-SVM）神经网络的风电功率序列的区间预测模型。首先，通过EEMD将负荷序列进行分解。得到的结果是一定数目的固有模态函数（IMF）分量以及一个余量（RES），这可以避免传统EMD的模式混叠的问题。然后，通过LS-SVM神经网络的区间预测模型预测IMF，点预测模型预测趋势余量。在这篇论文里，我们用bootstrap的统计学方法来构建预测区间，最后建立以LS-SVM为核心的神经网络的风功率区间预测模型。最后的仿真结果是通过各个IMF分量和RES的预测结果的直接加法运算。加运算的结果就是用原始风功率数据得到的区间预测结果。通过建立的区间预测模型，我们可以清晰的发现，本篇论文建立的这种风功率区间预测模型具备较高的精度。

关键词：EEMD；bootstrap方法；区间预测；LS-SVM

Abstract

Aiming at most of the deterministic predictive models, in this paper, we establish an interval prediction model based on the generalized empirical mode decomposition (EEMD) and the least squares support vector machine (LS-SVM) neural network.First, the load sequence is decomposed by EEMD.The result is a certain number of intrinsic modal function (IMF) components and a margin (RES), which avoids the problem of aliasing of the traditional EMD.Then,the IMF is predicted by the interval prediction model of LS-SVM neural network，the margin is predicted by point forecasting model.In this paper, we use bootstrap statistical method to construct the prediction interval, and finally to establish the LS-SVM as the core of the neural network wind power interval prediction model.Finally, by summing up the IMF components and the predicted results of RES, the final interval prediction results are obtained.Through the establishment of the interval prediction model, we can clearly find that this paper established the wind power interval prediction model with high accuracy.

Keywords: EEMD;interval prediction;bootstrap method; LS-SVM

目 录

第1章 绪论 1

1.1 研究课题的背景 1

1.2 国内外研究现状 1

1.3 本文主要研究内容 2

1.4 本文章节安排 3

第2章 电力负荷序列分解算法研究 4

2.1 经验模态分解算法（EMD） 4

2.2 集成经验模态分解算法（EEMD） 5

第3章 LS-SVM神经网络算法研究 6

3.1 最小二乘支持向量机（LS-SVM） 6

3.2 LS-SVM神经网络预测模型 7

第3章 LS-SVM神经网络算法研究 6

3.1 最小二乘支持向量机（LS-SVM） 6

3.2 LS-SVM神经网络预测模型 7

第4章 区间预测方法研究 9

4.1 区间预测原理 9

4.2 区间预测评价分析 11

第5章 基于EEMD分解和神经网络实现电力负荷区间预测 13

5.1 预测模型的建立 13

5.2 原始序列的分解 14

5.3 LS-SVM神经网络区间预测 18

5.3.1 各IMF分量的预测 18

5.3.2 预测结果的累加 21

5.4 结果分析 22

第6章 总结 24

参考文献 25

致谢 27

第1章 绪论

1.1研究课题的背景

自从第二次工业革命至今，国民生产生活经济的发展就离不开电力。而在我们身处的二十一世纪，电力工业更是成为了衡量一个国家工业和经济发展的标准。我们国家拥有庞大的人口规模和庞大的经济体系，个人、家庭、企业和社会的用电构成了国家电网的庞大和复杂。面对着各式各样复杂的电力系统，不合理的规划使用将会造成电力的极大浪费。这既是对宝贵能源的浪费，也是经济成本的增高。于是，不管是商业化的经营，还是国家电力相关部门的调控，都需要对电力系统进行科学的规划。

在电力系统的规划中，为了有效率的使用电力系统，研究人员采集了大量的历史电力负荷数据，经过详细的研究计划，他们可以对未来的电力需求做出准确的预测，以便拥有详细的规划设计。电力负荷序列预测是指对未来某段时间内预测对象的数值进行预测。因为我们可以方便的得到电力系统过去运行的历史负荷数据，只要工程师和科学家们可以采用有效的方法去洞悉其中的规律，建立模型，操作人员就能得到未来数据的一种预测结果。

由于电力系统的运行结果会得到十分庞大繁多的数据，这直接的结果就是预测模型建立的困难程度。电力系统的负荷序列是极其杂乱无章的，又受到诸如气象、工作日和一些突发情况等随机因素的影响。这使得对电力负荷的科学的预测方法变得十分重要。

为了能够使前端的操作人员得到最好的结果，科学家必须殚精竭虑的思考困难问题的出路和解决问题的方法。任何有力的判断都离不开有效的预测方法。越来越多的科学方法被科学家们提出，生产生活中的实际问题又促进着预测模型的改进。生产指导科研，科研促进生产。电力系统负荷预测的精准度被科学家不断提高，使得操作人员对电力系统规划以及其经济性和安全性带来了越来越有力的保证。

1.2国内外研究现状

对于负荷预测，提高预测的准确性既可以提高经济效率，又可以提高电力系统运行的可靠性。在过去的几年中，已经在负荷预测的问题中尝试了各种各样的技术，其中大多数是基于时间序列分析。时间序列模型主要包括基于统计方法和人工神经网络的方法^[7-12]。基于统计方法的模型就是首先建立一个统计数学模型，这个数学模型可以用数学语言直观的表现负荷数据序列的统计规律性，即所设定的输出变量随着输入的随机变量变化而变化。这种统计数学方法模型已经有了长足的发展，并且越来越多的数学模型也被科学家们提了出来，可以参考国内外诸多论文文献^[13-20]。

电力系统负荷序列既有波动特性又有特殊的周期性。我们可以把电力系统的这种特性看做是不同频率分量的累加。各分量具有相似的周期变化和频率特性，使预测更容易。因此，EMD被引入电力系统的负荷预测，负荷序列可以分解成若干不同的IMFs。而且，由于经验模态分解（EMD）带来的模式混叠的问题，研究人员又提出了一种基于经验模态分解（EMD）的总体平均经验模态分解（EEMD）。这些都是常用的负荷序列分解方法。