基于增量优化极限学习机的电力负荷预测

《基于增量优化极限学习机的电力负荷预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第33卷第02期计算机仿真2016年2月文章编号：1006—9348(2016)02—0163—04基于增量优化极限学习机的电力负荷预测宁晓光，朱永利(华北电力大学控制与计算机工程学院，河北保定071003)摘要：为了提高电力负荷预测精度和速度，针对极限学习机在电力负荷预测中需要人工设定隐层节点数目的不足，提出一种采用增量优化极限学习机的电力负荷预测方法。增量优化极限学习机算法是通过一个快速增量输出权值更新方法，对其进行增量优化改进，提高极限学习机算法的泛化性。最后，采用Mackey—Glass混沌时间序列和真实电力负荷时间序列数据进行算法性能测试。此外将提出的算法与主流电力负荷

2、预测算法——支持向量回归算法比较预测性能，实验结果表明增量改进的极限学习机学习算法在具有较快学习速度的前提下，依然能够获得较好的预测性能和泛化性能。关键词：时间序列预测；极限学习机；增量优化；电力负荷预测中图分类号：TIB01．6文献标识码：BPowerLoadPredictionBasedonIncrementalOptimizationExtremeLearningMachineNINGXiao—guang，ZHUYong—li(SchoolofControlandComputerEngineering，NorthChinaElectricPowerUniversity，Ba

3、odingHebei071003，China)ABSTRACT：Inordertoimprovetheloadpredictionaccuracyandspeedofpowersystem，fortheshortageofneedingtomanuallysetthehiddenlayernodenumberofextremelearningmachine，thispaperappliesapowerloadpredictionmethodbasedonincrementaloptimizationextremelearningmachine．Theincrementalopti

4、mizationimprovementisconductedthroughafastincrementaloutputweightsupdatemethod，toimprovethegeneralizationofElMalgorithm．ThealgorithmperformanceistestedbyusingthedataofMackey—Glasschaotictimeseriesandrealpowerloadtimeseries．Inaddition，thepredictionperformanceoftheonlineELMsequenceoptimizationa

5、lgorithmiscomparedwiththesupportvectorregressionelectricloadpredictionalgorithm．Theexperimentalresultsshowthattheproposedalgo-rithmhasafastlearningspeed，andcanachievegoodpredictionperformanceandgeneralizationperformance．KEYWORDS：Timeseriesforecasting；Extremelearningmachine(ELM)；Incrementalopt

6、imization；Powerloadforecasting1引言电力负荷预测一直以来都是电力系统的一个关键操作和规划途径，它影响着电力系统的诸多决策，如经济调度、自动发电控制、安全评估、维护调度和能源商业化。精准的电力负荷预测可以经济合理的安排电力系统发电机组的启停，对于保持电网运行的安全稳定、保持社会的正常生产和生活、有效降低发电成本有着重要的作用。传统预测方法¨。3J对线性时间序列具有良好的预测效果，但在社会经济中，很多因果关系或变化趋势并不是单纯的线性关系，而是呈现典型的非线性趋势特征，因此非线性时间序列预测方法得到了收稿日期：2014—11—07修回日期：2015—05

7、—08迅速的发展HJ。近年来，支持向量机方法等传统神经网络算法广泛应用于时间序列预测中。极限学习机b1(ExtremeLearningMachine，简称ELM)是Huang等提出的一种新型的单隐层前馈神经网络学习方法，文献[5]通过多个UCI标准测试数据集以及大量实验表明：ELM在回归、分两类和分多类问题上，计算性能、准确率、算法训练和训练时间都优于SVM算法和BP算法。极限学习机的分类应用范围越来越广，Huang【6’7o等人将其用于分类优化和入侵检测领域，Pan伸1等人将其