Resumen

Influenciadas por muchos factores inciertos y aleatorios, las series de carga eléctrica son no estacionarias, no lineales y variables en el tiempo, lo que dificulta una previsión precisa. Con el objetivo de resolver estos problemas, en este artículo se propone un método híbrido innovador para predecir la carga eléctrica. En primer lugar, se utiliza la descomposición modal empírica conjunta (EEMD) para descomponer la serie de carga eléctrica en una serie de funciones modales intrínsecas (IMF) independientes y un término residual. En segundo lugar, se aplica un algoritmo genético (AG) para determinar las mejores ponderaciones de cada FMI y el término residual, denominado descomposición modal empírica por conjuntos basada en la ponderación (WEEMD). En tercer lugar, se emplean la máquina de vectores de soporte de mínimos cuadrados (LSSVM) y la heteroscedasticidad condicional autorregresiva generalizada no paramétrica (NPGARCH) para pronosticar las subseries, respectivamente, basándose en las características de las series de carga eléctrica. Por último, la carga eléctrica prevista de cada componente se suma para obtener el resultado final previsto de la carga eléctrica. En comparación con otros métodos, los resultados de previsión de este modelo propuesto aplicado al mercado eléctrico de Pennsylvania-New Jersey-Maryland (PJM) indican que el modelo propuesto supera a otros modelos.

• Materias:Ingeniería electrónica Sensores Redes Inalámbricas Tecnología de sensores Procesamiento de señales asistido por computador Procesamiento de datos
• Subjects:Electronic engineering sensors Wireless Networks Sensor technology Signal processing computer-assisted Data processing
• Palabras claves:series de carga eléctrica, descomposición empírica de modos, carga eléctrica, término residual, funciones de modos intrínsecos independientes, máquina de vectores soporte de mínimos cuadrados, heteroscedasticidad condicional autorregresiva, método híbrido innovador, previsión de carga eléctrica, modelo
• Keywords:power load series, empirical mode decomposition, power load, residual term, independent intrinsic mode functions, least square support vector machine, autoregressive conditional heteroscedasticity, innovative hybrid method, power load forecasting, model