面向异常日需求预测的多元集成预测框架
信号处理
2018-11-26 v1
摘要
准确的负荷预测对电力工业和能源参与者始终十分重要，因为它使利益相关者能够做出关键决策。此外，由于可再生能源的高渗透以及需求侧管理策略的引入导致发电侧不确定性增加，其重要性进一步提高。异常日电网级需求预测的微小改进就可能节省数百万美元。然而，由于可再生能源渗透率不断提高且依赖于若干气象和外生变量，异常日的准确负荷预测现已变得非常具有挑战性。为提高负荷预测的预测精度，提出了一种集成预测框架（ENFF），系统性地组合了三种多重预测器，即埃尔曼神经网络（ELM）、前馈神经网络（FNN）和径向基函数（RBF）神经网络。这些预测器使用全局粒子群优化（GPSO）进行训练，以提升其在 ENFF 中的预测能力。各预测器的输出通过修剪聚合技术结合，去除预测异常值。使用新英格兰 ISO 电网的真实记录数据对 ENFF 进行异常日的训练和测试。所提 ENFF 的预测结果表明，与基于自回归积分滑动平均（ARIMA）和反向传播神经网络（BPNN）的基准模型相比，预测精度有显著提升。
引用
@article{arxiv.1811.09339,
title = {Multivariate Ensemble Forecast Framework for Demand Prediction of Anomalous Days},
author = {Muhammad Qamar Raza and N. Mithulananthan and Jiaming Li and Kwang Y. Lee},
journal= {arXiv preprint arXiv:1811.09339},
year = {2018}
}