Resumen

La previsión de carga a corto plazo (STLF) es una tarea esencial y desafiante para las empresas proveedoras de energía. Investigaciones recientes han demostrado que un marco llamado descomposición y conjunto es muy poderoso para la previsión de energía. Para mejorar la efectividad de la STLF, este artículo propone un enfoque novedoso que integra la descomposición empírica de modo completo con ruido adaptativo mejorado (ICEEMDAN), la optimización de lobo gris (GWO) y la máquina de aprendizaje extremo con múltiples núcleos (MKELM), denominado ICEEMDAN-GWO-MKELM, para la STLF, siguiendo este marco. El ICEEMDAN-GWO-MKELM propuesto consta de tres etapas. Primero, los datos de carga crudos complejos se descomponen en un par de componentes relativamente simples mediante ICEEMDAN. En segundo lugar, se utiliza MKELM para prever cada componente descompuesto individualmente. Específicamente, se utiliza GWO para optim

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Pronóstico de carga; Descomposición; Conjunto; ICEEMDAN; GWO; MKELM
• Keywords:Load forecasting; Decomposition; Ensemble; ICEEMDAN; GWO; MKELM