基于经验模态分解的负荷与可再生能源时间序列预测分析
系统与控制
2020-11-24 v1 机器学习
系统与控制
信号处理
摘要
经验模态分解（EMD）方法及其变体已广泛用于负荷与可再生能源预测文献中。利用这种多分辨率分解，与历史负荷和可再生能源发电相关的时间序列（TS）被分解为若干本征模态函数（IMF），其非平稳与非线性程度较低。因此，对这些分量的预测在理论上可达到明显更高的精度。EMD 方法易出现模态混叠与边界效应等问题，但基于时间序列分解的负荷与可再生能源发电预测文献主要从预测精度角度比较不同分解方法的性能；结果，这些问题很少被审视。低估这些问题会导致预测模型在实时应用中表现不佳。本文考察这些问题及其在模型开发阶段的重要性。使用真实数据，给出基于 EMD 的模型，并说明边界效应的影响。
引用
@article{arxiv.2011.11410,
title = {Analysis of Empirical Mode Decomposition-based Load and Renewable Time Series Forecasting},
author = {Nima Safari and George Price and Chi Yung Chung},
journal= {arXiv preprint arXiv:2011.11410},
year = {2020}
}