基于极限学习机方法的短期负荷预测

《基于极限学习机方法的短期负荷预测》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、电力工程ELECTRICPOWERENGINEERING第29卷第4期电力科学与工程Vol.29，No.4242013年4月ElectricPowerScienceandEngineeringApr．，2013基于极限学习机方法的短期负荷预测112131成天乐，周胜瑜，李斯，赵慧材，黄佩，蒋凌(1.长沙理工大学智能电网运行与控制湖南省重点实验室，湖南长沙410004;2.中机国际工程设计研究院有限责任公司，湖南长沙410021;3.邵阳学院，湖南邵阳422000)摘要:将极限学习机(ELM)方法引入电力系统短期负荷预测领域。该方法预测能力强，具有计算时间短、计算准确性高

2、、全局搜索等显著特点。在运用ELM算法建立短期负荷预测模型过程中，采用归一化处理输入数据，使用主成分分析法选取计算样本，并由交互验证法确定最优主成分因子数和ELM隐含层节点数。实际算例表明，在于短期负荷预测的预测精度和运算时间方面，ELM方法较传统神经网络方法具有其独特的优势。关键词:短期负荷预测;极限学习机;主成分分析法;交互验证法中图分类号:TM714文献标识码:ADOI:10.3969/j.issn.1672-0792.2013.04.005荷和多影响因素之间的非线性关系，算法简单实［4］0引言用，且有较高的预测精度。但这两种方法在算［2～4］法上存在不可避免的缺

3、陷。电力系统短期负荷预测是制定运行方式和购近年来，支持向量机(SupportVectorMa-电计划的基础，高精、快速的负荷预测可提高电chine，SVM)算法被引入到电力系统，并广泛应［5］力系统的可靠性和经济性。随着负荷的日益复杂用于短期负荷预测的研究中。该方法将训练数以及电力市场的不断发展，高性能的预测理论与据通过一个非线性映射函数映射为一个高维特征［1］方法被引入到电力系统。空间，在最小化训练误差的同时最大化不同的特［5］在短期负荷预测的研究与应用中，前期以应征空间间隔，实现高精度的拟合以及全局最优。用较广泛的有时间序列法、专家系统法、多元线但是，该训练算法编程

4、复杂，不便于广泛推广;［2］性回归法及傅立叶展开法等为代表的传统方法。存贮需求大且收敛速度慢，难以应用于大型工程通过多年的研究与应用，这些方法基本趋向成熟，问题;SVM在学习过程中，需要人为设置的参数［6］且算法简单，计算速度快。但负荷的影响因素较较多，参数的确定困难。多，传统方法无法反映负荷值与影响因素非线性2006年，文献［7］中提出一种人工神经网关系，且难准确实现高精度的预测。为了预测模络模型新算法———极限学习机(ExtremeLearning型能更真实地反映电力负荷的各种变化趋势，具Machine，ELM)，本文将ELM引入到电力系统短有自学习能力，可以任意逼

5、近复杂非线性映射的期负荷中来。ELM随机选取隐含层节点参数，将［3］神经网络预测模型得到深入研究。其中应用较参数训练问题转化为不相容线性方程组求解问题，多的有误差反向传播(BackPropagation，BP)神依据摩尔(Moore-Penrose)广义逆矩阵理论，解经网络和径向基函数(RadialBasisFunction，析求得该方程组最小范数的最小二乘解，并将该RBF)神经网络。两种神经网络都能较好处理负解作为网络右侧权值参数。克服传统人工神经网收稿日期:2013－02－27。基金项目:国家自然科学基金资助项目(51277016);湖南省高校创新平台开放基金项目(

6、12K001);湖南省研究生科研创新项目立项(CX2011B359)。作者简介:成天乐(1986-)，男，硕士研究生，从事电力系统运行与规划方面的研究，E-mail:ctl645@163．com。电力工程ELECTRICPOWERENGINEERING第4期成天乐，等基于极限学习机方法的短期负荷预测25络预测模型存在的训练时间长、易产生过拟合等［7］问题。ELM简单易行，计算成本低、误差率2基于ELM的短期负荷预测低，且具有很好的全局搜索能力。2.1数据预处理电力系统短期负荷预测可以转换成一个多变1ELM原理［8］量的非线性回归函数问题，历史数据作为输入样本数据的基础，

7、其完善程度密切影响预测的精ELM是一种单隐层前馈神经网络(Singlehid-度和速度。由于机械或者人为原因，在影响负荷denLayerFeedforwardNetworks，SLFNs)训练新因素的历史数据中，可能存在部分错误或不真实［7］算法发展而来。设N个不同的随机样本(xi，ti)的坏数据。为了能更真实地反映电力负荷和影响TnTxi=［xi1，xi2，…，xin］∈R，ti=［ti1，ti2，…，tim］∈因素的非线性关系，需对历史数据进行平滑处理，n槇R。单隐含层结点数为N，激励函数为g(x)的修正奇异常参数，形成相对准确的输入