基于改进鲸鱼优化算法与残差修正的短期电量预测

尼俊红; 王畅

doi:10.16543/j.2095-641x.electric.power.ict.2025.02.03

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于改进鲸鱼优化算法与残差修正的短期电量预测

面向新型电力系统的客户侧电力电量分析预测技术及应用 | 更新时间：2026-01-30

- 基于改进鲸鱼优化算法与残差修正的短期电量预测
- 基于改进鲸鱼优化算法与残差修正的短期电量预测
- 电力信息与通信技术 2025年23卷第2期页码：18-27
- 作者机构：
  
  华北电力大学电子与通信工程系
- 作者简介：
- 基金信息：
  
  国网福建省电力有限公司经济技术研究院科技项目(SGFJJY00GHJS2310071)
- DOI：10.16543/j.2095-641x.electric.power.ict.2025.02.03
  中图分类号： TP18;TM711
- 纸质出版：2025
- 稿件说明：
移动端阅览
尼俊红, 王畅. 基于改进鲸鱼优化算法与残差修正的短期电量预测[J]. 电力信息与通信技术, 2025,23(2):18-27.

尼俊红, 王畅. 基于改进鲸鱼优化算法与残差修正的短期电量预测[J]. 2025, 23(2): 18-27.
尼俊红, 王畅. 基于改进鲸鱼优化算法与残差修正的短期电量预测[J]. 电力信息与通信技术, 2025,23(2):18-27. DOI： 10.16543/j.2095-641x.electric.power.ict.2025.02.03.

尼俊红, 王畅. 基于改进鲸鱼优化算法与残差修正的短期电量预测[J]. 2025, 23(2): 18-27. DOI： 10.16543/j.2095-641x.electric.power.ict.2025.02.03.

摘要

随着新型清洁能源的大力发展和电力市场改革的进行，电量预测在电力企业生产、运营中的作用越来越重要。为了实现电量数据精准预测，文章提出了一种改进鲸鱼优化算法(improved whale optimization algorithm

IWOA)的变分模态分解(variational mode decomposition

VMD)结合极限梯度提升算法(extreme gradient boosting

XGBoost)修正的差分自回归移动平均(auto regressive integrated moving average

ARIMA)的组合短期电量预测模型。首先，通过引入非线性因子、自适应惯性权重和扰动控制因子改进鲸鱼优化算法，提高其求解能力和搜索能力，以此对VMD的参数寻优；其次，利用寻优确定参数的VMD对电量数据进行分解，降低数据波动性，便于预测模型学习；最后，针对分解分量构建ARIMA-XGBoost电量预测模型，将预测结果重构得到最终预测值。实验结果表明，所提模型的预测评价指标均优于对比模型，对称平均绝对百分比误差相比最小二乘支持向量回归和随机森林回归分别下降了2.46%和1.55%，验证了所提模型在电量预测方面具有更高的准确度。

Abstract

关键词

Keywords

references

Xiaoan Yan,Ying Liu,Wan Zhang,Minping Jia,Xianbo Wang.Research on a Novel Improved Adaptive Variational Mode Decomposition Method in Rotor Fault Diagnosis[J].Applied Sciences,2020.

Bedi Jatin,Toshniwal Durga.Empirical Mode Decomposition Based Deep Learning for Electricity Demand Forecasting[J].IEEE Access,2018.

Seyedali Mirjalili,Andrew Lewis.The Whale Optimization Algorithm[J].Advances in Engineering Software,2016.

Konstantin Dragomiretskiy,Dominique Zosso.Variational Mode Decomposition.[J].IEEE Trans. Signal Processing,2014.

Cheng-Ming Lee,Chia-Nan Ko.Short-term load forecasting using lifting scheme and ARIMA models[J].Expert Systems With Applications,2011.

徐为帅,张磊,王华.基于锋线提取和VMD-LSTM的东海黑潮温度锋强度预测[J].海洋科学进展,2024(03).

邵必林,纪丹阳.基于VMD-SE的电力负荷分量的多特征短期预测[J].中国电力,2024(04).

史加荣,王双馨.基于VMD-BiLSTM-WOA的短期风电功率预测[J].陕西科技大学学报,2024(01).

张培霄,尹晓红,李少远,王新立.基于VMD-CNN-LSTM的农业大棚园区用电负荷短期预测[J].信息与控制,2024(02).

高晓芝,郭旺,郭英军,宋静冉,孙鹤旭.基于SSA-VMD-LSTM-NKDE的短期风电功率概率预测[J].河北科技大学学报,2023(04).

王璞,姬联涛,陈龙翔,荆岫岩,袁成建,李超顺.基于WOA-VMD-TCN的水电机组振动趋势预测[J].水电能源科学,2023(06).

崔乐晗,于洋.基于GWO-VMD算法的齿轮故障自适应特征提取[J].装备环境工程,2023(02).

董家富,万雄,王岩,叶瑞丽,熊志杰,范海威,薛一波.基于XGB-Transformer模型的短期电力负荷预测[J].电力信息与通信技术,2023(01).

任轩,汪庆年,尚宝,姜宏伟,常乐.基于混合神经网络的短期电力负荷预测方法[J].电子测量技术,2022(14).

梁尔祝,徐淼,谷传宝,莫宏毅,徐振洋.基于SA-GA模糊熵的VMD算法在爆破振动信号分解中的应用[J].金属矿山,2022(02).

付华,刘昊.多策略融合的改进麻雀搜索算法及其应用[J].控制与决策,2022(01).

刘倩倩,刘钰山,温烨婷,何杰,李晓,毕大强.基于PCC-LSTM模型的短期负荷预测方法[J].北京航空航天大学学报,2022(12).

徐晶,迟福建,葛磊蛟,李娟,张梁,羡一鸣.基于SARIMA-GRNN-SVM的短期商业电力负荷组合预测方法[J].电力系统及其自动化学报,2020(02).

唐贵基,王晓龙.参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用[J].西安交通大学学报,2015(05).

姜玉山,刘嘉婧,卢毅.基于回归分析的频域分解短期负荷预测方法[J].电力需求侧管理,2011(05).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据