基于CEEMDAN-GWO-KELM模型对我国电力需求预测

中长期电力预测是电力系统规划主要研究之一，也是学界和业界广泛关注的热点之一。本文构建合理的电力需求影响因素指标体系，通过稀疏贝叶斯学习和相关性分析筛选出关键性指标。利用自适应噪声完备经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)将电力需求数据分解成多个信号分量(intrinsic mode function, IMF)，并将其作为待预测分量。利用灰狼优化算法(Grey Wolf Optimizer, GWO)对核极限学习机(Kernel Based Extreme Learning Machine, KELM)的参数进行优化，建立了CEEMDAN-GWO-KELM多重组合模型。通过1960~2020年的电力需求数据做模型对比的实证分析，验证了该模型的有效性，并对我国中长期电力需求进行预测。

电力行业是国民经济发展最基础、最重要的能源产业，最近几年的电力需求增速加快、电力弹性系数剧烈波动、煤炭供给侧改革力度巨大和可再生能源稳定性不足，造成电力供需失衡。如何稳健地把握中长期电力需求发展趋势，这对电力预测的准确性提出了挑战。

众多国内外学者为提高电力预测精度做了大量研究[1]，方法大致分为两类： 1) 传统模型方法。时间序列模型(autoregressive integrated moving average model, ARIMA) [2] [3]、回归模型[4]、灰色理论预测模型[5]、系统动力学[6]等，该类模型简单、可操作性强，虽能解决中长期预测问题，但无法捕获数据中非线性和非平稳性特征，同时面对电力预测系统的复杂性，很难有较高的预测精度。

2) 智能优化算法。支持向量机回归算法[7]、人工神经网络[8] (artificial neural network, ANN)、自适应Boosting 模型[9]、基于遗传算法(genetic algorithm, GA)和粒子群优化(particle swarm optimization, PSO)算法的BP 神经网络[10]、基于卡尔曼滤波器和回归方法相结合的组合型算法[11]、基于ANN 与增强进化算法(IEAMCGM-R) [12]等。这些算法都用于长期、短期的电力负荷预测。这些模型不管从精度还是处理非线性问题上，都有明显的优越性，但仍存在不足，比如计算复杂导致迭代时间过长，优化容易陷入局部最优解，还可能诱发参数敏感，导致模型出现过拟合，一定程度上影响了预测效率和精度。

因此，本文采用SBL 模型分析电力需求的影响因素，筛选出关键性变量，以此来弥补传统模型在非线性和非平稳的时间序列预测偏差不足，由于不需要优化参数，将大大提高模型训练效率，同时结果更加可靠。基于KELM 模型在非线性和非平稳的时间序列表现优良性能的考虑，将作为最终的预测输出模型，并引入GWO 算法对KELM 模型进行全局最优的参数搜索，进一步提升预测精度。引入CEEMDAN算法[13]做信号分解，它不仅能去除信号噪声， 在处理非线性和非平稳性数据有着良好的表现， 为了避免模型过拟合，将分解的各个分量，分别用于各个模型的训练，最终得到多个模型的预测结果，提升模型