基于極限學習機的短期電力負荷預測.pdf

1、電力負荷預測是電力系統(tǒng)的重要組成部分。短期電力負荷預測指的是對辦公樓、工廠或學校未來一天到幾個月的負荷進行預測。短期電力負荷預測是電力系統(tǒng)調度以及計劃部門制定購電計劃,乃至合理安排運作方式的基礎。其預測精度的高低可以影響電力系統(tǒng)運行的經濟性、安全性以及供電質量。所以,短期電力負荷預測模型的探索一直受到人們的重視。
　　由于電力負荷與氣候、經濟以及時間等因素的聯(lián)系是十分緊密的,并且進行周期性的波動,以往的方法不能描述其變化規(guī)律,造成

2、電力負荷的預測精度較低。為了提高電力負荷預測精度,以某建筑電網的負荷數(shù)據(jù)為研究對象,對電力負荷曲線的變化規(guī)律進行深入分析。在此研究基礎上,采用極限學習機(Extreme Learning Machine, ELM)對電力負荷進行預測。本文的主要工作內容如下:
　　(1)提出了基于時間序列編碼的相似日選擇和ELM相結合的電力負荷預測方法?；跁r間序列編碼的相似日選擇方法在每個編碼點中融入了整個序列的信息,不僅可以描述出序列的趨勢,還

3、可以描述出該點在序列中的相對位置。采用ELM進行預測,只需對神經網絡中隱層神經元的數(shù)目進行設置,在運行流程中網絡的輸入權值和隱層神經元的偏置都保持不變,而且只生成一個最優(yōu)解。以某建筑電網的電力負荷數(shù)據(jù)進行仿真,并將該方法與支持向量機(SVM)和BP神經網絡進行對比。實驗結果表明該方法具有較高的預測精度和較強的適應性,并且運行時間較短。
　　(2)提出了基于Adaboost的ELM電力負荷預測方法。該方法首先初始化訓練樣本的分布權值

4、,采用ELM當作弱預測器對訓練樣本進行重復訓練并且對權值進行更新,最終將獲得的多個ELM弱預測器采用Adaboost算法構建一個新的強預測器。采用遺傳算法(Genetic Algorithm, GA)對Adaboost算法的參數(shù)進行優(yōu)化。Adaboost算法克服了ELM的過擬合特性,同時又增強了ELM的泛化能力和適應性。通過實例仿真,將該方法與ELM進行對比,實驗結果表明基于Adaboost的ELM比ELM具有更高的預測精度和更好的泛化