电力需求区间预测：一种基于双变量经验模态分解的支持向量回归建模新框架
机器学习
2014-06-17 v1 应用统计
摘要
高精度的电力需求区间预测对于通过提供范围而非点估计来降低电力系统规划和运行决策风险至关重要。在本研究中，提出了一种新的建模框架，该框架集成了双变量经验模态分解（BEMD）和支持向量回归（SVR），是对能源需求预测文献中成熟的基于经验模态分解（EMD）的时间序列建模框架的扩展，用于电力需求的区间预测。本研究的创新之处在于采用BEMD作为分解方法，BEMD是经典经验模态分解（EMD）的新扩展，旨在处理被视为复值时间序列的双变量时间序列，而经典EMD只能分解一维单值时间序列。该建模框架利用BEMD同时分解电力需求（按每月每小时）的下界和上界时间序列（以复值时间序列形式构建），从而捕捉下界和上界之间的潜在相互关系。该建模框架通过宾夕法尼亚-新泽西-马里兰互联电网的月度每小时区间值电力需求数据进行了验证，表明它是一种有前景的区间值电力需求预测方法。
引用
@article{arxiv.1406.3792,
title = {Interval Forecasting of Electricity Demand: A Novel Bivariate EMD-based Support Vector Regression Modeling Framework},
author = {Tao Xiong and Yukun Bao and Zhongyi Hu},
journal= {arXiv preprint arXiv:1406.3792},
year = {2014}
}