基于改进极限学习机的短期电力负荷预测方法.pdf

《基于改进极限学习机的短期电力负荷预测方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第40卷第2O期电力系统保护与控制VbI．40No-202012年lO月16目PowerSystemPro~ctionandControloct．16．2012基于改进极限学习机的短期电力负荷预测方法毛力，王运涛，刘兴阳，李朝锋(轻工过程先进控制教育部重点实验室，江南大学物联网工程学院，江苏无锡214122)摘要：为了提高电力系统短期负荷预测精度，提出一种基于改进极限学习机(MELM)的短期电力负荷预测模型。引入基于结构风险最小化理论，并结合最小二乘向量机回归学习方法，以克服传统极限学习机(ELM)在短期负荷预测中存在的过拟合问题。某地区用电负荷预测结果表明，改进模型的泛化性与

2、预测精度均优于传统ELM和OS—ELM模型，可为短期电力负荷预测提供有效依据，具有一定的实用性。关键词：短期负荷预测；极限学习机；结构风险；最小二乘支持向量机Short—termpowerloadforecastingmethodbasedonimprovedextremelearningmachineMAOLi，WANGYun-tao，LIUXing-yang，LIChao—feng(KeyLaboratoryofAdvancedProcessControlforLightIndustry(MinistryofEducation)，SchoolofInternetofThin

3、gs，JiangnanUniversity,Wuxi214122，China)Abstract：Inordertoimprovetheprecisionofshort—termpowerloadforecasting，ashort-termpowerloadforecastingmodelbasedonimprovedextremelearningmachine(MELM)isproposed．Thestructuralriskminimizmionprincipleandleastsquaressupportvectormachineareintegratedintothem

4、odelinordertosolvetheoverfittingproblemcommonlyfacedbytraditionalextremelearningmachine(ELM)inshort-termforecasting．Experimentalresultsusingreal—worlddatafromelectricalpowersystemsshowthattheforecastingmodelisbeRerthanELMandOS-ELMinbothgeneralizationperformanceandpredictiveaccuracNandmayprov

5、ideallefectiveandpracticalwayfortheshort—termpowerloadforecasting．ThisworkissupportedbyN~ionalNaturalScienceFoundationofChina(No．61170120)．Keywords：shortloadforecasting；extremelearningmachine；structuralrisk；leastsquaressuppo~vectormachine中图分类号：TM715文献标识码：A文章编号：1674—3415(2012)20—0140—05学习方法，它

6、对大量非结构性、非精确性规律具有0引言自适应能力、自主学习和优化计算的特点，有很强随着电力系统运行的市场化，短期负荷预测的的计算能力、复杂映射能力和容错能力。其基本思作用日益重要。短期负荷预测一般是指预报未来几想为：训练前设置合适的隐层节点数，在执行过程个小时、一天至几天的电力负荷，它不但为电力系中只需要为输入权值和隐层偏置随机赋值，整个过统的安全、经济运行提供保障，也是市场环境下编程一次完成，无需迭代，并且产生唯一的最优解。排调度计划、供电计划和交易计划的基础L1J，其预文献【8】首次将其引入短期负荷预测领域，并取得了测精度直接关系到电力系统运行的效率和经济效良好的效果。然而

7、，与其他神经网络一样，它们也益。长期以来，国内外学者已提出了不少相关的负基于经验风险最小化原理，极易导致过度拟合现荷预测方法，如神经网络法【2。J、支持向量机法【4J象【9J。文献【101提出了一种基于在线序贯学习的极限等。学习机，它使用逐个(或逐段)地学习数据，有效极限学习机(ExtremeLearningMachine，ELM)j地提高了预测精度。文献【11]针对分类问题，提出是Huang等提出的一种新型的单隐层前馈神经网络一种基于优化方法的改进极限学习机。支持向量机(SupportVe