基于极限学习机的短期电力负荷预测

《基于极限学习机的短期电力负荷预测》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3l卷第4期计算机仿真2014年4月文章编号：1006—9348(2014)04—0137—05基于极限学习机的短期电力负荷预测王伟，杨辉华，刘振丙，李灵巧(桂林电子科技大学广西信息科学实验中心，广西桂林541004)摘要：研究电力负荷预测准确性问题，由于电力负荷与天气、经济、假期等多种因素密切相关，变化规律具有周期性和随机性，传统方法无法描述其变化规律，导致电力负荷预测精度低。为了提高电力负荷预测精度，提出一种基于时间序列编码的相似日选择和极限学习机(ELM)相结合的电力负荷预测方法。基于时问

2、序列编码的相似日选择方法在每个编码点中融入了整个序列的信息，不仅可以描述出序列的趋势，还可以描述出节点在序列中的相对位置。采用ELM进行预测，只需要设置网络的隐层节点个数。在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解。以某建筑电网的电力负荷数据进行仿真，并将上述方法与支持向量机(SVM)和BP神经网络进行对比。实验结果表明，改进方法具有较高的预测精度和较强的适应性，并且运行时间较短。关键词：相似日；时间序列编码；极限学习机；负荷预测中圈分类号：TP391文献标识码：

3、BShort——TermPowerLoadForecastingBasedonExtremeLearningMachineWANGWei，YANGHui—hua，UUZheng—bing，LILing—qiao(GuangxiExperimentCenterofInformationScience，GuilinUniversityofElectronicTechnology，GuilinGuangxi541004，China)ABSTRACT：Accuracyofpowerloadforecast

4、ingwasresearched．Powerloadisrelatedwithweather，economy，andholidayfactors．Thevariationruleiscyclicalandrandom，andtraditionalmethodcannotdescribethevariationrule，whichleadstolowaccuracyofprediction．Inordertoimprovetheaccuracyofpowerloadforecasting，anext

5、remelearningmachine(ELM)Wasproposedforpredictingthepowerload，byintegratingsimilardaysselectingmethodbasedonthetimesequenceencoding．Themethodthatselectssimilardaysbasedonthetimesequenceencodingin-tegratestheinformationoftheentiresequenceintoeachencoded

6、point，whichCannotonlydescribethetrendofa8e·quencebutalsocandescribetherelativepositionofthepointinthesequence．Then，theELMWasusedforpredic—tion，becauseitonlyneedtosetthenumberofhiddenlayernodesand啪generateauniqueoptimalsolution。whiletheinputweightsofth

7、enetworkandthebiasofthehiddenlayernodesdonotneedtoadjustduringtheexecutionofthealgorithm．Thepowerloaddataofonebuildingwereusedforsimulating．TheproposedmethodWascomparedwithsupportvectormachines(SVM)andbackpropagation(BP)neuralnetwork，andtheexperimenta

8、lresultsshowthatthepropesedmethodhashiighpredictionprecision．1lighadaptabilityandshorterrunningtime．KEYWORDS：Similardays；Timesequenceencoding；Extremelearningmachine；Loadforecasting基金项目：国家自然科学基金(61105004)；广西自然科学基金资助项目(2012GxNsFAA053230，2013GxNs