ELM算法在微电网超短期负荷预测的应用.pdf

《ELM算法在微电网超短期负荷预测的应用.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、70《电气开关》(2013．No．3)文章编号：1004—289X(2013)03—0070—05ELM算法在微电网超短期负荷预测的应用徐晟，蒋铁铮，向磊(长沙理工大学电气与信息工程学院，湖南长沙410114)摘要：针对微电网中负荷预测的特点提出的多模型极限学习法(ELM)，将其应用于系统超短期负荷预测。该算法采取建立多个前馈神经网络模型，基于更新准则将模型集分成即时更新模型和批次更新模型这两个部分，以此进行数据筛选和分析。此算法的目的在于节省训练时间，提高预测的速度，同时保证预测的精度。关键词：微电网；超短期负荷预测；多模型；极限学习机(ELM

2、)中图分类号：TM71文献标识码：BApplicationofELMAlgorithmintheUltra·ShortTermLoadPredictionofMicrogridXUSheng，JIANGTie—zheng，XIANGLei(CollegeofElectricalandInformationEngineering，Changsha，UniversityofScienceandTechndogy，Shangsha410014，China)Abstract：Forthecharacteristicsofmicrogridloadpred

3、iction，putforwardamulti-modelextremelearningmethod，whichisappliedtothesystemultrashorttermloadprediction．Thealgorithcmadoptstosetupmulitipleformerfeedfor—wardnetrualnetworkmodels．Inviewofrenewingnorms，dividethemodelsintorealrenewingmodelandbatchrenewingmodel，takingthisasscree

4、ningandanalysisofthedata．Theaimofthealgorithemresultsinsavingtime，increasingpre—dictionspeedandensuringpredictingprecision．Keywords：microgrid；ultra—short-termloadprediction；；multi—model；extremelearningmachine更高的新型能源系统等等，这是以前的原始独立存在1引言的系统所不具备的技术水平和成本投入。同时，微电能源是支持经济发展建设的基础，而电能作

5、为现网和大电网之间又形成有机整体，可以灵活控制其断今能源的重要组成部分，其深入研究和合理运用一直开和连接，使系统对比原始鼓励系统具有极高的智能，是重中之重，而微电网这一概念的提出是为了缓解大灵活，安全和效率的特性。而微电网中的负荷预测，实电网与分布式电源之间的问题以及为了完全发挥分布现智能电网的重要环节，因为这既是对消费侧的正常式电源为供电侧和消费侧带来的收益。运行给予的保证，也是对供电侧安全系数和灵活系数从系统的角度上来看，微电网的存在主要是与大的补充，。电网联网辅助运行，但同时也可以在电网系统发生故根据时间段进行划分的电力负荷预测种类有长期障

6、以及因为特定要求和所在主网系统断开后进行独立电力负荷预测、中期电力负荷预测，短期电力负荷预测运行，这一特性使微电网不但可以处理好分布式电源和超短期电力负荷预测【。BP神经网络因为结构和在大规模接人时产生的问题，还可以更好的发挥其各操作都比较简单，在短期负荷预测中应用得非常多，但项优点，更可以为用电单位带来更多的经济利益和非是该方法在训练中容易陷人局部最小，而且收敛速度经济利益]。各种先进的电力技术被广泛应用于微比较缓慢。对于短期负荷预测和超短期电力负荷预测，电网建设中，比如多样化的储能系统，快速反应的电力因为运行时间短，数据变化快，所以受当地的天

7、气影响较电子开关装置，以及各种新颖的电流变化技术和效率小，一般隋况下则只考虑负荷预测序列本身的特性。《电气开关》(2013．No．3)71虽然提出了附加动量项、变斜率传递函数等方法对其进行了修正，但隐含层神经元的数目难以确定。ylO∈R另外还有动态神经网络法和集总神经网络法等方法，以及将模糊算法、小波分解法、遗传算法等方法与神经网络进行集合来提高模型的预测准确性’。但无论图2神经网络模型结构图采用何种神经网络模型，都涉及到利用输入输出样本，则第时刻第个神经网络模型SLENNi的输出根据误差函数，反复迭代以确定网络参数，不但初始权可记为值、学习速率

8、选取对网络精度造成很大影响，而且需要大量时间进行神经网络训练。而对于起衔接作用的微∑·g(·“+6)。=l，⋯，=1，⋯，N(1)电网，