基于人工智能算法改進(jìn)極限學(xué)習(xí)機(jī)的電力負(fù)荷預(yù)測(cè).pdf

1、電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)安全穩(wěn)定，高效運(yùn)行的重要保證，關(guān)系到社會(huì)各行各業(yè)的正常運(yùn)作。在國(guó)家大力倡導(dǎo)節(jié)能環(huán)保以節(jié)約現(xiàn)有能源消耗量的情勢(shì)下，電力負(fù)荷預(yù)測(cè)的準(zhǔn)確性關(guān)系到整個(gè)電廠的經(jīng)濟(jì)、高效運(yùn)行以及整個(gè)發(fā)電電網(wǎng)的安全運(yùn)行，即當(dāng)前的形勢(shì)對(duì)于電力負(fù)荷預(yù)測(cè)的精度提出了更高標(biāo)準(zhǔn)的要求。本文結(jié)合極限學(xué)習(xí)機(jī)以及人工智能算法建立了新的電力負(fù)荷預(yù)測(cè)模型，旨在提高電力負(fù)荷預(yù)測(cè)的精度。本文的主要研究?jī)?nèi)容如下：
　　(1)極限學(xué)習(xí)機(jī)是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算

2、法，是一種較為準(zhǔn)確的非線(xiàn)性擬合方法，且具有較好的學(xué)習(xí)能力以及泛化能力，所以本文將極限學(xué)習(xí)機(jī)用于電力負(fù)荷預(yù)測(cè)。然而極限學(xué)習(xí)機(jī)與神經(jīng)網(wǎng)絡(luò)相同，是基于經(jīng)驗(yàn)最小化原理，因此極易導(dǎo)致過(guò)度擬合，且極限學(xué)習(xí)機(jī)的輸入權(quán)值矩陣以及隱含層偏置為模型隨機(jī)賦值，使得整個(gè)模型對(duì)于樣本數(shù)據(jù)的學(xué)習(xí)缺乏針對(duì)性，從而影響其泛化能力。為了改善極限學(xué)習(xí)機(jī)的學(xué)習(xí)能力以及泛化能力，提高電力負(fù)荷預(yù)測(cè)精度，文中首先將人工螢火蟲(chóng)群優(yōu)化引入極限學(xué)習(xí)機(jī)，利用人工螢火蟲(chóng)算法強(qiáng)大的全局尋優(yōu)能

3、力找到使得極限學(xué)習(xí)機(jī)模型訓(xùn)練誤差最小時(shí)的輸入權(quán)值矩陣以及隱含層偏置矩陣，然后對(duì)我國(guó)某地區(qū)某一段時(shí)間的電力負(fù)荷通過(guò)實(shí)驗(yàn)仿真，驗(yàn)證了該模型的有效性和優(yōu)越性。
　　(2)人工螢火蟲(chóng)算法結(jié)合極限學(xué)習(xí)機(jī)的負(fù)荷預(yù)測(cè)模型較之簡(jiǎn)單的極限學(xué)習(xí)機(jī)模型取得了不錯(cuò)的效果，然而預(yù)測(cè)精度仍然不是很高，這是由于螢火蟲(chóng)算法自身的缺陷所造成。針對(duì)螢火蟲(chóng)算法的缺陷，將人工魚(yú)群算法引入極限學(xué)習(xí)機(jī)中，組成人工魚(yú)群算法優(yōu)化極限學(xué)習(xí)機(jī)負(fù)荷預(yù)測(cè)模型，通過(guò)對(duì)同一地區(qū)同一時(shí)間段的