李曉輝，佟 鑫，曹敬立，李 蒙，張迎春，王梓舟

(國網(wǎng)冀北承德供電公司，河北 承德 067000)

0 引言

微電網(wǎng)是由負荷、儲能及分布式電源等構(gòu)成的可控供能系統(tǒng)[1]，其作為現(xiàn)代化電力系統(tǒng)重要發(fā)展分支之一，在促進智能電網(wǎng)快速發(fā)展的同時也遭遇到新的挑戰(zhàn)[2]。微電網(wǎng)負荷預(yù)測結(jié)果的精準度及時效性對微電網(wǎng)運行穩(wěn)定性、可靠性及安全性造成一定程度影響。因此，精準快速的微電網(wǎng)負荷預(yù)測對運行調(diào)度計劃的合理制定起到積極作用，有利于微電網(wǎng)與大電網(wǎng)高效、可靠、穩(wěn)定、安全運行[3-5]。針對負荷短期預(yù)測國內(nèi)外學者開展了大量的研究，其中微電網(wǎng)負荷短期預(yù)測方法主要包含統(tǒng)計學模型預(yù)測、組合模型預(yù)測、機器學習預(yù)測及數(shù)據(jù)驅(qū)動預(yù)測四類。文獻[6]分析光伏系統(tǒng)負荷受人口和經(jīng)濟的影響，并通過線性回歸的方法對光伏負荷進行預(yù)測，最后驗證回歸預(yù)測模型的有效性。文獻[7]將5個氣象因素引入傳統(tǒng)卡爾曼濾波模型當中形成自適應(yīng)卡爾曼濾波預(yù)測模型，在一定程度上提升短期負荷預(yù)測精度。文獻[8]在網(wǎng)絡(luò)損失函數(shù)中引入一種新度量，提出一種基于全新魯棒損失的人工神經(jīng)網(wǎng)絡(luò)(ANNs，artificial neural networks)負荷預(yù)測方法，并且通過驗證得到該方法在收斂速度及預(yù)測精度方面具有一定的優(yōu)勢。文獻[9]將改進果蠅優(yōu)化算法(IFOA，improvement fruit fly optimizationalgorithm)與廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN，generalized regression neural network)進行融合，提出一種IFOA-GRNN負荷預(yù)測模型，并通過實例分析驗證模型的有效性。文獻[10]提出一種基于變分模態(tài)分解(VMD，variational mode decomposition)與蝙蝠算法(BA，bat algorithm)優(yōu)化最小二乘支持向量機(LSSVM，least squares support vector machine)的短期負荷預(yù)測模型，充分考慮復(fù)雜環(huán)境因素，有效提升預(yù)測的精準度。文獻[11]在最小二乘支持向量機中引入即時學習算法形成新的短期負荷預(yù)測模型，通過驗證，該算法能夠在保障預(yù)測精度的同時縮短整體預(yù)測時間。文獻[12]對不同外部敏感因素進行充分考慮，提出基于經(jīng)驗?zāi)B(tài)分解(EDM，empirical mode decomposition)和特征相關(guān)性分析相結(jié)合的短期負荷預(yù)測方法，該方法減少預(yù)測模型特征數(shù)量的輸入，在一定程度上提升負荷預(yù)測的精度和效率。文獻[13]建立以長短期記憶(LSTM，long short-term memory)神經(jīng)網(wǎng)絡(luò)為核心的微電網(wǎng)負荷預(yù)測面模型，并通過實驗仿真驗證該模型的具有一定的優(yōu)越性。文獻[14]提出一種基于RNA遺傳算法和布谷鳥算法的混合算法優(yōu)化的風光發(fā)電預(yù)測模型，該模型兼顧布谷鳥算法與遺傳算法的優(yōu)點，更好的權(quán)衡局部與全局搜索能力。文獻[15]構(gòu)建了基于互補集成經(jīng)驗?zāi)B(tài)分解(CEEMD，complementary ensemble empirical mode decomposition)和區(qū)域劃分自適應(yīng)變異粒子群(RSVPSO，regional-division self-adapting variation particle swarm optimization)優(yōu)化極限學習機(KELM，kernel extreme learning machine)的微網(wǎng)負荷預(yù)測模型，并通過實例驗證模型的有效性。文獻[16]提出一種基于經(jīng)驗?zāi)B(tài)分解(EMD，empirical mode decomposition)-卷積神經(jīng)網(wǎng)絡(luò)(CNN，convolutional neural network)-長短期記憶網(wǎng)絡(luò)(LSTM，long short-term memory network)的混合電力短期負荷預(yù)測方法，通過實例仿真表明該模型能夠有效縮短預(yù)測時間，提升預(yù)測精度。

綜上所述，現(xiàn)階段已經(jīng)研究出多種微電網(wǎng)負荷短期預(yù)測模型，最大程度挖掘負荷序列特征，提升預(yù)測效率及精度是目前研究的重點方向。基于此，為進一步提升微電網(wǎng)負荷預(yù)測精度本文提出一種基于CEEMD和改進蝙蝠算法(IBA，improvement bat algorithm)優(yōu)化LSSVM混合的微電網(wǎng)短期負荷預(yù)測模型，實現(xiàn)微電網(wǎng)短期負荷精準快速預(yù)測，合理對資源進行運行調(diào)度，實現(xiàn)資源的最大化利用，提升微電網(wǎng)經(jīng)濟性與可靠性。

1 互補集成經(jīng)驗?zāi)B(tài)分解

黃鍔等人在1998年提出一種自適應(yīng)時頻信號處理方法，即經(jīng)驗?zāi)B(tài)分解(EDM，empirical mode decomposition)[17]，因其在非線性與非平穩(wěn)信號處理方面的具有顯著優(yōu)勢得到廣泛的應(yīng)用。EMD能夠?qū)?fù)雜信號分解成有限數(shù)量的殘余分量與本證模態(tài)函數(shù)(IMF，intrinsic mode function)，各個IMF分量能夠?qū)Σ煌瑫r間尺度下的原始信號特征進行呈現(xiàn)，但是通過這樣的方法所取得的IMF分量會發(fā)生模態(tài)混疊的現(xiàn)象，對分解結(jié)果的準確性造成一定程度影響。隨后，黃鍔等人為了進一步對模態(tài)混疊現(xiàn)象進行改善，利用白噪聲特性提出集合經(jīng)驗?zāi)B(tài)分解(EEMD，ensemble empirical mode decomposition)[18]，該方法能夠?qū)δB(tài)混疊現(xiàn)象進行有效抑制，但是信號重構(gòu)之后會存在噪聲殘留。為了對上述問題進行解決，互補集成經(jīng)驗?zāi)B(tài)分解(CEEMD，complementary ensemble empirical mode decomposition)應(yīng)運而生，其在EEMD的基礎(chǔ)上進行一定的改進，引入相互獨立同分布、完美負相關(guān)的互補噪聲，在較大程度上消除信號重構(gòu)過程中的冗余噪聲，提升計算效率。

CEEMD具體信號分解過程為：

1)將一組正負成對型式的輔助白噪音ω(t)加入原始信號x(t)，得到一組新信號：

xn(t)=x(t)+εkωi(t)

(1)

式中,ωi(t)表示引入原信號的高斯白噪聲，該噪聲同時具備單位方差與零均值；εk表示各次選取白噪聲的占比。

2)對加入白噪聲的原始信號進行重復(fù)分解，對重復(fù)分解I次后所形成的IMF分量集成進行取平均操作，從而形成新的IMF分量，具體為：

(2)

式中,Ej表示EMD分解過程中獲取的第j個本征模態(tài)函數(shù)。

3)一階殘差函數(shù)r1(t)的表達式為：

r1(t)=x(t)-IMF1(t)

(3)

4)r1(t)+ε1E1(ωi(t))，i=1,2,3，…，n通過EMD進行分解，當滿足IMF1時，總體平均值IMF2的表達式為：

(4)

5)此時，k階殘差rk(t)的表達式為：

rk(t)=rk-1(t)-IMFk(t)

(5)

6)將r1(t)+ε1E1(ωi(t))，i=1,2,3,…，n利用步驟4)進行EMD分解，將獲取的的首個本征模態(tài)函數(shù)當成CEEMD分解的IMFk+1，其表達式為：

(6)

7)重復(fù)上述步驟5)，當殘差的極值不大于2時，表明殘差已無法再被分解，此時獲得最終殘差R，其表達式為：

(7)

(8)

由式(8)可知，殘差R與分解之后的IMF分量能夠有效疊加重構(gòu)出原始信號。

2 最小二乘支持向量機

LSSVM是在SVM算法的基礎(chǔ)之上擴展而來，隨著其在預(yù)測領(lǐng)域的不斷應(yīng)用，已經(jīng)成為一種成熟的機器學習預(yù)測方法。LSSVM將SVM中不等式約束條件用等式替代，并且選用最小二乘損失函數(shù)來作為損失函數(shù)，整體結(jié)構(gòu)具有樣本小和風險小的特點，在很大程度上降低計算的復(fù)雜度。

LSSVM的具體回歸過程為：

1)給定一樣本集合{(xi,yi),i=1,2,…,N}，集合中樣本輸入為xi∈Rm；相對應(yīng)的輸出為yi∈R。原始樣本通過函數(shù)φ(x)映射至高維特征空間，此時最優(yōu)線性回歸的函數(shù)表達式為：

f(x)=ωTφ(x)+b

(9)

式中,b∈R代表偏差；ω表示特征空間當中權(quán)系數(shù)向量。

2)基于結(jié)構(gòu)風險最小原則，式(9)當中對應(yīng)的LSSVM優(yōu)化問題J的表達式為：

s.t.yi=ωTφ(xi)+b+ei

(10)

式中,ξ表示懲罰系數(shù)，且ξ>0；ei∈R表示誤差變量。

3)對上述優(yōu)化問題進行求解，首建立拉格朗日函數(shù)，具體函數(shù)式為：

(11)

式中,αi表示拉格朗日函數(shù)的乘法算子。

4)根據(jù)卡羅需-庫恩-塔克條件對式(11)求解得到α與b，并且得到回歸函數(shù)的表達式為：

(12)

式中,K(xi,xj)表示核函數(shù)，常見的核函數(shù)主要有徑向基核函數(shù)與有線性核函數(shù)，兩者的表達式為：

(13)

(14)

式中,σ2表示核函數(shù)的寬度。

由上述可知LSSVM模型有核函數(shù)寬度σ2與懲罰系數(shù)ξ兩個待優(yōu)化的參數(shù)，這兩個參數(shù)的合理選取對LSSVM的泛化能力與抗干擾能力造成直接影響。本文在蝙蝠算法的基礎(chǔ)上，對其缺陷進行改進從而得到改進蝙蝠算法，并運用改進蝙蝠算法對LSSVM的核函數(shù)寬度σ2與懲罰系數(shù)ξ進行優(yōu)化。

3 蝙蝠算法及其改進

3.1 蝙蝠算法

蝙蝠算法(BA，bat algorithm)是由楊新社于2010年提出的一種全局隨機搜索算法，該算法對蝙蝠通過回聲定位捕捉獵物的過程的生物特征進行模擬，從而達到全局隨機搜索。蝙蝠算法通常采用實數(shù)來進行編碼，具有較少的相關(guān)參數(shù)，常應(yīng)用于支持向量機(SVM，support vector machine)參數(shù)尋優(yōu)[19]。蝙蝠算法將整個搜索空間當中的各個點看作蝙蝠個體；將蝙蝠搜索獵物與移動當成算法中的搜索與優(yōu)化；蝙蝠移動過程中所處的位置的優(yōu)劣看作求解目標的適應(yīng)度值。

假設(shè)蝙蝠搜索空間的維度為D，每次迭代中各個蝙蝠的速度與位置的表達式為：

fi=fmin+(fmax-fmin)·β

(15)

(16)

(17)

在局部搜索過程中，假如某一蝙蝠選擇某一最優(yōu)解，這時此蝙蝠會在該最優(yōu)解附近產(chǎn)生新的解，其表達式為：

xnew=xold+εAt

(18)

式中,ε表示[0,1]之間的一個隨機數(shù)；At表示所有蝙蝠在t時刻的響應(yīng)度均值；xnew表示某最優(yōu)解附近所產(chǎn)生的新解；xold表示當前最優(yōu)解當中的某個最優(yōu)解。

蝙蝠在搜尋獵物的過程當中會根據(jù)自身和獵物之間的距離對超聲波的頻率和響度進行實時調(diào)整，進而提升捕食效率。蝙蝠的脈沖頻率及響度的表達式為：

(19)

(20)

3.2 改進蝙蝠算法

蝙蝠算法雖然具有較為簡單的構(gòu)造模型與優(yōu)良的優(yōu)化能力，但是其初始種群是通過隨機方法生成，易在迭代后期出現(xiàn)早熟與陷入局部最優(yōu)的問題，對種群多樣性造成一定程度的影響。為改善蝙蝠算法所存在的問題，本文在常規(guī)蝙蝠算法的基礎(chǔ)上，引入拉格朗日差值法、動態(tài)自適應(yīng)慣性及反向?qū)W習來對其進行改進，使局部探索和全局搜索能力得到一定程度平衡，提升種群的多樣性與算法性能，規(guī)避局部最優(yōu)現(xiàn)象發(fā)生[20]。改進蝙蝠算法(IBA，improvement bat algorithm)優(yōu)化LSSVM的流程如圖1所示。

圖1 IBA優(yōu)化LSSVM流程圖

3.2.1 反向?qū)W習

方向?qū)W習中將反向解來與原始解進行對應(yīng)，基于不同方向來進行探索，其定義為：

假設(shè)P(x1,x2,…，xn)為n維空間當中的一點，并且xi∈[ai,bi]，此時xi反向解的表達式為：

(21)

在蝙蝠算法當中引入反向?qū)W習，將P(x1,x2,…，xn)當作蝙蝠算法中蝙蝠的位置，對比方反向解目標函數(shù)與原蝙蝠的位置，如果原蝙蝠位置劣于反向解目標函數(shù)，這時原蝙蝠的位置由反向解的位置代替，反之，對原蝙蝠的位置繼續(xù)學習。引入反向解在一定程度上提升算法種群的多樣性，規(guī)避局部最優(yōu)現(xiàn)象的發(fā)生[21]。

3.2.2 動態(tài)自適應(yīng)慣性權(quán)重

因蝙蝠算法搜索速度系數(shù)保持1不變，很大程度上降低個體靈活性和種群多樣性，從而致使算法在局部探索和全局搜索出現(xiàn)不平衡。為解決該問題，引入聚焦距離，利用聚焦距離的變化率來對均衡蝙蝠的局部探索和全局搜索能力，從而達到慣性權(quán)重的自適應(yīng)動態(tài)調(diào)整[22]。聚焦距離的表達式為：

(22)

(23)

(24)

式中,n表示種群的個數(shù)；D表示蝙蝠的維度數(shù)。

慣性權(quán)重的表達式為：

(25)

式中,z1取值0.3，z2取值0.2；λ表示[0,1]之間均勻分布的隨機數(shù)。

由式(25)可知，蝙蝠在聚焦變化率處于較高水平時，呈現(xiàn)出較差的全局搜索能力，此時提升慣性權(quán)重，蝙蝠能夠以較快的飛行速度尋找到全局最優(yōu)解的范圍，在一定程度上提升蝙蝠的全局搜索能力[24]；反之，蝙蝠在在聚焦變化率處于較低水平時，降低慣性權(quán)重，蝙蝠飛行速度降低，在一定程度上提升蝙蝠局部搜索能力。

綜上可知，在蝙蝠算法中引入動態(tài)自適應(yīng)慣性權(quán)重能夠?qū)︱鹁植刻剿髋c全局搜索能力進行平衡，使蝙蝠種群更好適應(yīng)環(huán)境，提升整體尋優(yōu)效率。

3.2.3 拉格朗日插值法

為進一步提升蝙蝠算法局部搜索能力、提升收斂速度，引入拉格朗日插值法來對多項式進行模擬[23]，拉格朗日插值的表達式：

(26)

選取全局最優(yōu)解gbest的j維當中的3個點進行信息生成并對其進行拉格朗日插值操作，其中一個為目前全局最優(yōu)解，剩余兩個為最優(yōu)解附近的擾動，上述關(guān)系的表達式為：

σ=rand*η*v(i,j)

x0(j)=gbest(j)

x1(j)=gbest(j)+σ

x2(j)=gbest(j)-σ

(27)

x0,x1,x2在j維空間當中能夠通過拉格朗日插值生成拋物線，進而取得最小值，將當前最優(yōu)解目標函數(shù)值與上述獲取的最小值進行對比，進而對位置信息進行更新。拉格朗日插值的計算表達式為：

(28)

4 基于CEEMD-IBA-LSSVM混合模型微電網(wǎng)負荷預(yù)測模型

4.1 數(shù)據(jù)預(yù)處理

為進一步提升組合模型的訓(xùn)練速度，在負荷預(yù)測預(yù)測之前，需要對負荷原始數(shù)據(jù)通過式(29)進行歸一化處理。

(29)

式中,p表示原始負荷值；p′表示原始負荷經(jīng)過歸一化后的值；pmin表示最小負荷值；pmax表示最大負荷值。

為了進一步提升預(yù)測結(jié)果的規(guī)律性與準確性，需要對微電網(wǎng)的硬性因素進行充分考慮，本文主要對環(huán)境溫度、天氣類型及日類型進行考慮。

針對日類型進行處理：休息日為0.5，工作日為1；天氣類型處理：晴天為1，陰天、多云及霧天為0.5，雨天和雪天為0；應(yīng)用式(30)對溫度進行歸一化處理。

(29)

式中,T表示原始溫度；T′表示經(jīng)過歸一化后的溫度值；Tmin表示最小溫度值；Tmax表示最大溫度值。

4.2 模型評價指標

本文選取均方差根誤差(RMSE)、平均相對誤差(MAPE)及平均絕對誤差(MAE)來作為組合預(yù)測模型的評價指標，對模型進行量化評價，各評價指標的表達式為：

(30)

(31)

(32)

4.3 微電網(wǎng)負荷預(yù)測流程

因微電網(wǎng)在運過程中負荷會受到環(huán)境因素影響，故負荷序列會呈現(xiàn)出一定程度的非平穩(wěn)與非線性的特征。由于CEEMD在非平穩(wěn)序列處理方面具有顯著的優(yōu)勢及LSSVM在短期負荷預(yù)測中效果顯著，并運用IBA對LSSVM參數(shù)進行優(yōu)化，故，提出一種CEEMD-IBA-LSSVM混合微電網(wǎng)負荷預(yù)測模型，該預(yù)測模型的流程如圖2所示。

圖2 CEEMD-IBA-LSSVM混合微電網(wǎng)負荷預(yù)測模型流程圖

Step1:利用CEEMD來對微電網(wǎng)負荷的序列特征進行深度挖掘，從而獲得多組殘余分量與IMF分量；

Step2:對環(huán)境因素變量、殘余分量及IMF分量數(shù)據(jù)進行歸一化，并按照一定比例進行測試集與訓(xùn)練集劃分；

Step3:將歸一化數(shù)據(jù)完成的數(shù)據(jù)作為輸入數(shù)據(jù)，構(gòu)建IBA-LSSVM模型，對最大迭代數(shù)合種群數(shù)據(jù)等數(shù)據(jù)進行設(shè)置；

Step4:利用IBA優(yōu)化LSSVM流程(圖1)對核函數(shù)寬度σ2與懲罰系數(shù)ξ進行優(yōu)化，最終得到最優(yōu)σ2和ξ；

Step5:基于最優(yōu)σ2和ξ下的LSSVM模型對測試數(shù)據(jù)進行分解預(yù)測，得到殘余分量與IMF分量的結(jié)果，之后對上述結(jié)果進行疊加重構(gòu)，最終獲得微電網(wǎng)負荷預(yù)測值；

Step6:利用均方差根誤差(RMSE)、平均相對誤差(MAPE)及平均絕對誤差(MAE)來對組合預(yù)測模型的性能進行評價。

5 仿真實驗分析

5.1 數(shù)據(jù)分解

選取某微電網(wǎng)連續(xù)100天每小時的負荷數(shù)據(jù)作為實驗數(shù)據(jù)，共計2 400組數(shù)據(jù)，將前95天2 280組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后5天120組數(shù)據(jù)作為測試集，并且這些數(shù)據(jù)樣本當中包括每日天氣類型、日類型及溫度等因素。首先，利用CEEMD對前95天2 280組數(shù)據(jù)進行分解，并且基于頻率尺度對其進行組合，最終獲得殘余分量與8組IMF分量；其次，通過IBA-LSSVM模型對預(yù)處理之后的環(huán)境變量數(shù)據(jù)、殘余分量及IMF分量進行訓(xùn)練；最后，運用測試集數(shù)據(jù)對模型進行驗證。

圖3 微電網(wǎng)負荷采集數(shù)據(jù)

圖4 CEEDM分解圖

5.2 算法參數(shù)設(shè)置

IBA是一種對慣性權(quán)重、收斂速度及種群多樣性進行改進的蝙蝠算法，其主要參數(shù)如表1所示。

表1 IBA算法主要參數(shù)表

由于IMF1-IMF4波動較強，則在構(gòu)建預(yù)測模型時選取具備良好局部學習的基函數(shù)作為核函數(shù)，即式(14)；IMF5-IMF8及殘余波動相對平緩，則在構(gòu)建預(yù)測模型時選取具備良好全局學習的顯函數(shù)函數(shù)作為核函數(shù)，即式(13)。IBA算法對LSSVM核函數(shù)寬度σ2與懲罰系數(shù)ξ優(yōu)化得到的最優(yōu)值如表2所示。

表2 LSSVM參數(shù)最優(yōu)解

5.3 仿真結(jié)果及分析

為了對本文構(gòu)建模型在微電網(wǎng)短期負荷預(yù)測領(lǐng)域的優(yōu)越性進行驗證，選取EEMD-BA-LSSVM、EEMD-IBA-LSSVM、CEEMD-BA-LSSVM及CEEMD-IBA-LSSVM四種不同預(yù)測模型對測試集120組數(shù)據(jù)進行預(yù)測，并將預(yù)測結(jié)果與十幾數(shù)據(jù)以擬合曲線的形式進行呈現(xiàn)，具體如圖5所示，4種模型3種不同評價指標如表3所示。

圖5 負荷預(yù)測對比圖

表3 4種不同預(yù)測模型指標對比表

由圖5和表3可知，EEMD-BA-LSSVM、EEMD-IBA-LSSVM、CEEMD-BA-LSSVM及CEEMD-IBA-LSSVM四種不同預(yù)測模型均能夠很好的對實際微網(wǎng)負荷曲線進行擬合，其中本文構(gòu)建的CEEMD-IBA-LSSVM預(yù)測模型與實際負荷最為接近，且的均方差根誤差(RMSE)、平均相對誤差(MAPE)及平均絕對誤差(MAE)最小，預(yù)測準確率約為98.21%，更能準確預(yù)測微網(wǎng)短期負荷的波動趨勢，提前預(yù)知微電網(wǎng)短期負荷，合理對資源進行運行調(diào)度，實現(xiàn)資源的最大化利用，提升微電網(wǎng)經(jīng)濟性與可靠性。對于不同分解方法的預(yù)測模型，通過CEEMD分解的預(yù)測模型較相對應(yīng)EEMD分解預(yù)測模型預(yù)測誤差更小，更為接近實際負荷數(shù)據(jù)，這表明CEEMD在對模態(tài)混疊現(xiàn)象有效抑制的同時，也使EEMD 的殘留噪聲問題得到一定程度減弱。對于不同優(yōu)化算法的預(yù)測模型，通過IBA優(yōu)化算法的預(yù)測模型較BA優(yōu)化算法預(yù)測模型預(yù)測誤差更小，更為接近實際負荷數(shù)據(jù)，這表明IBA優(yōu)化算法能夠使局部探索和全局搜索能力得到一定程度平衡，提升種群的多樣性與算法性能，規(guī)避局部最優(yōu)與早熟現(xiàn)象。

6 結(jié)束語

針對微電網(wǎng)負荷特性，提出一種CEEMD-IBA-LSSVM混合微電網(wǎng)負荷預(yù)測模型，通過研究得到如下結(jié)論：

1)通過互補集成經(jīng)驗?zāi)B(tài)分解(CEEMD)來分解微電網(wǎng)負荷序列，能夠使微電網(wǎng)負荷序列受環(huán)境因素的影響得到有效弱化，在一定程度上降低預(yù)測的復(fù)雜度，提升預(yù)測效率；

2)對蝙蝠算法(BA)進行改進，使局部探索和全局搜索能力得到一定程度平衡，提升種群的多樣性與算法性能，規(guī)避局部最優(yōu)與早熟現(xiàn)象；

3)基于改進BA對LSSVM中核函數(shù)寬度σ2與懲罰系數(shù)ξ進行優(yōu)化，形成 CEEMD-IBA-LSSVM混合微電網(wǎng)負荷預(yù)測模型，能夠提前預(yù)知微電網(wǎng)負荷，合理對資源進行運行調(diào)度，實現(xiàn)資源的最大化利用，提升微電網(wǎng)經(jīng)濟性與可靠性；

4)實驗仿真表明：CEEMD-IBA-LSSVM混合微電網(wǎng)負荷預(yù)測模型與其他預(yù)測模型相比具有較高的運行效率與預(yù)測精度。

在今后的研究當中，需要探究更多影響微電網(wǎng)的因素，并構(gòu)建多因素約束下的預(yù)測模型，從而提升多因素影響下的模型泛化能力與預(yù)測精度。