改进极限学习机短期电力负荷预测方法

负荷预测对电网规划和售电市场调控具有重要意义。由于电力负荷与天气、日期、区域等多个因素密切相关,存在较强的不确定性和非线性特征,导致传统方法的负荷预测精度较低。为了提高负荷预测精度,提出基于正交投影径向基函数极限学习机(oprbf-elm)的短期电力负荷预测算法。该算法将elm的隐含层节点替换为径向基神经元,基于训练误差二范数最小化准则,采用正交投影计算输出权值向量,并在核函数的数量取值范围内索引获取使得训练集均方根误差(rmse)最小的预测负荷结果。算法预测过程中只需要设置网络的径向基神经元(rbf)个数,不需要调整输入权值及隐含层偏差,且正交投影能较好地消除输入样本特征之间的相关性,快速有效得到输出权值向量,从而提高负荷预测精度。以我国某省电动汽车用电领域的负荷数据作为标准样本进行仿真,仿真实验验证了该算法的可行性和有效性,与支持向量机(svm)和传统rbf-elm相比,该算法的预测精度高、泛化能力强,具有广泛的实用性。

뗧솦쾵춳뛌웚뢺뫉풤닢랽램퇐뺿ퟷ헟ꎺ십뺲늨톧캻쫚폨떥캻ꎺ쯄뒨듳톧닎뾼컄쿗(63쳵ì1.얣뚫쿾.닜쫷뮪.헔샚뗧솦쾵춳뢺뫉풤닢벼쫵벰웤펦폃19882.쇵뎿鬒뗧솦쾵춳뢺뫉풤놨샭싛폫랽램19873.헅럼짺.췴뫨.몫.쯯쿾잿.헅헱폮.닜뷸믹폚욫ퟮ킡뛾돋믘맩럖컶뗄뛌웚뢺뫉풤닢[웚뾯싛컄æ-뗧췸벼쫵2003(3)4.perryshort-termloadforecastingusingmultipleregressionanalysis19995.apapalexopoulos.thesterburgaregression-basedapproachtoshort-termloadforecasting1990(04)6.헅짜뫍.믆뚫믝.뛅컄맣욽뮬쾵쫽폅뮯뗄

为了提高电力负荷预测精度,应对电力系统智能化所带来的数据海量化高维化带来的单机计算资源不足的挑战,提出了一种在线序列优化的极限学习机短期电力负荷预测模型。针对电力负荷数据特性,对极限学习机预测算法进行在线序列优化;引入分布式和multi-agent思想,提升负荷预测算法预测准确率;采用云计算的mapreduce编程框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力。选用eunite提供的真实电力负荷数据进行算例分析,在32节点云计算集群上进行实验,结果表明基于该模型的负荷预测精度均优于传统支持向量回归预测算法和泛化神经网络预测算法,且提出的算法具有优异的并行性能。

偏最小二乘(pls)运算降低电力负荷数据之间的相关性,最小二乘支持向量机(ls-svm)可以获得模型的全局最优预测效果,减少预测过程的运算量。介绍了pls和ls-svm的基本原理,给出了pls-ls-svm建立短期日电力负荷预测模型的过程,并用于某地区2008年的用电日负荷预测,预测的平均相对误差和最大相对误差分别为0.685%和8.8599%。与基于ar(1)模型的预测结果相比,pls-ls-svm模型更高的预测准确性可为短期电力负荷预测提供有效依据。

利用标准bp神经网络建立短期电力负荷预测模型,其算法存在最终解过于依赖初值和过学习现象,并且训练过程中存在局部极小问题且预测精度低等缺点。为了提高电力负荷模型的预测精度,通过阅读相关文献,构建了基于改进bp神经网络的短期电力负荷预测模型,该模型采用遗传算法对权值和阈值进行初始化,以相对误差和附加动量法相结合的方式去计算权值修正量。比较改进后的bp算法和标准bp算法在短期电力负荷预测的效果,从实验仿真的效果表明改进后的模型提高了预测精度。

郑州大学 硕士学位论文 电力系统短期负荷预测方法的研究 姓名：张德玲 申请学位级别：硕士 专业：电力系统及其自动化 指导教师：陈根永 20070515 电力系统短期负荷预测方法的研究 作者：张德玲 学位授予单位：郑州大学 本文链接：http://d.g.wanfangdata.com.cn/thesis_y1059836.aspx

电力系统短期负荷预测方法研究分析

电力系统短期负荷预测是保证电力系统安全经济运行和实现电网科学管理及调度的重要依据,目前的电力系统短期负荷预测方法存在着一些不足。提出了基于人工神经网络与主分量分析的短期负荷预测方法,在试验中分别采用该方法和单一的人工神经网络对辽宁省某电网的短期负荷进行了预测,试验结果表明本文提出的方法与单一的人工神经网络预测法相比,不但减少了预测的时间,而且避免了过拟合现象,提高了预测精度。

介绍极限学习机（elm）的原理，提出极限学习机模型的城市燃气短期负荷预测方法。以重庆市某区域燃气日负荷、气温、日期类型及天气状况等数据为训练样本，采用归一化等预处理方法处理输入数据，通过确定最优隐含层节点数等建立最优极限学习机模型。将实际值和通过采用极限学习机与支持向量机（svm）方法得到的燃气日负荷预测值进行对比，将采用极限学习机与支持向量机方法的训练时间和预测时间进行对比，极限学习机预测方法具有较好的预测精度，且训练时间短。

支持向量机svm作为机器学习方法之一,有数据分类以及数据回归两种用途,支持向量机的回归能应用于预测领域.本文应用svm方法来建立电力负荷预测模型,首先以历史负荷、天气、日期类型作输入数据,然后对数据进行归一化处理,再利用svm构建预测模型,svm在负荷预测方面具有较高的可信度与精准度.

短期电力负荷预测器设计 thedesignofshorttermpowerload prediction 毕业设计任务书 一、设计内容 结合人工神经网络模型的特点和学习方式，根据其学习方法，编写算法进行matlab仿 真，对仿真预测结果的精度进行分析。 二、基本要求 1．选择适合电力负荷预测的人工神经网络的模型。 2．利用matlab软件用于人工神经网络模型的仿真。 3．得到仿真结果，对电力负荷预测结果的精度进行分析。 三、主要技术指标 利用现有的人工神经网络模型，编写matlab程序，对人工神经网络进行训练，实现电 力负荷预测。 四、应收集的资料及参考文献 [1]韩力群.人工神经网络理论、设计及应用[m].北京:化学工业出版社 [2]周开利，康耀红.神经网络模型及其matlab仿真程序设计[m].北京:清华大学出版 社 [3]朱大奇.

随着我国经济建设的不断发展，社会用电量不断增长，电厂和电网规模不断扩大，这就对电力部门的安全、经济运行提出了更高要求。负荷预测是电力市场技术支持系统的一个重要组成模块，尤其是短期电力负荷预测方法易受随机因素的干扰，针对短期负荷预测的特点，将数据挖掘技术引入短期负荷预测中，极大地提高了预测精度，对于保障电力运行的安全性和经济性具有重要作用。基于数据挖掘技术的短期电力负荷预测进行了探讨，希望对相关单位有所帮助。

电力系统的管理和调度对精确的负荷预测模型有着极高的要求。为全面提高负荷预测模型的性能，提出一种新型的结合互补集成经验模态分解（ceemd）和小波核函数极限学习机（wkelm）的短期电力负荷组合预测模型。首先通过ceemd将历史电力负荷数据自适应地分解为一系列相对平稳的子序列，对各分量建立小波核极限学习机的预测模型，预测各分量的负荷值并对其进行求和得到最终预测结果。用四种预测模型对真实的负荷数据进行训练预测，算例表明新模型在预测精度和效率上都具有一定优势，同时克服了传统emd中容易出现的模态混叠问题以及elm中存在的过拟合等缺陷，具有一定的实际应用潜力。

文章分析了影响电力负荷的因素,对现存的短期电力负荷预测方法进行了研究,采用粒子群算法对支持向量机进行参数寻优,建立了基于粒子群优化的预测模型,并对短期电力负荷进行预测仿真,为精准且快速地预测短期电力负荷提供了有效的方法。通过实例分析验证了该模型在电力负荷中的预测精度,结果显示其精度值较高。

针对短期电力负荷预测易受气象因素影响的特点,提出基于相似日和灰色理论的短期电力负荷预测模型;首先通过对日类型的判断得到相同日类型的负荷数据,然后对气象数据序列进行模糊化聚类处理,并结合预测日的气象数据,采用灰色关联方法进行关联分析,选取与预测日关联度高的负荷数据作为相似日负荷数据,采用灰色预测方法对相似日负荷数据进行短期电力负荷预测;仿真结果表明,选取了相似日之后的预测结果比未选取相似日的预测结果精度要高.

为了解决bp神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题，本文采用粒子群算法（particleswarmoptimization，pso）优化elman动态神经网络进行精准预测。根据输入输出参数个数确定elman神经网络结构，利用pso算法优化网络的权值和阈值，并将优化后的最优个体赋给elman动态神经网络作为初始权值、阈值进行网络训练，从而建立基于pso-elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证，并与传统的bp、elman网络模型预测方法进行对比，结果表明该方法和模型在有效缩短网络收敛时间的同时，具备更高的负荷预测精度和稳定性。

针对短期电力负荷预测易受气象因素影响的特点，提出基于相似日和灰色理论的短期电力负荷预测模型；首先通过对日类型的判断得到相同日类型的负荷数据，然后对气象数据序列进行模糊化聚类处理，并结合预测日的气象数据，采用灰色关联方法进行关联分析，选取与预测日关联度高的负荷数据作为相似日负荷数据，采用灰色预测方法对相似日负荷数据进行短期电力负荷预测；仿真结果表明，选取了相似日之后的预测结果比未选取相似日的预测结果精度要高。

基于单项预测模型进行电网负荷预测已不能适应当前电网管理的要求。组合预测模型在很大程度上能够弥补单一预测方法的片面性,但在组合模型中固定负荷预测方法也存在预测不准确、可信度低等一系列问题。本文在电力负荷预测系统中引入动态组合的思想,通过自动筛选预测方法、动态配置权重,构建最优组合预测模型。实践证明,该组合预测方法比单个预测方法具有更高的预测准确性。

为了充分考虑城市发展变化的多元性与预测电力负荷过程中的各种影响变量,提高电网规划中电力负荷的预测精度,本文提出了基于计量经济-灰色理论的多变量电力负荷预测方法.该方法首先通过电力负荷与各变量之间的相关性分析,确定预测过程中与电力负荷强度相关的各影响变量.然后利用统计学中的计量经济理论,找到彼此之间的联系,建立电力负荷与各变量之间的数学预测模型.最后再利用灰色理论对目标年各变量的值进行预测,以解决数据匮乏、波动的不确定性所带来的难题,并带入数学模型,完成预测.工程实例验证了该方法是正确和有效的.

以忻州市1994~2004年用电量数据为例介绍了灰色预测技术在电力系统中的应用,并与忻州市1994年至2004年工农业生产总值(不变价)和同期用电量数据建立的一元线性回归模型预测结果进行了对比分析,进一步说明了灰色模型预测具有较高的置信度和应用价值。

文章首先对目前电力系统负荷预报理论和方法进行了全面回顾和评述,重点介绍了混沌理论的发展及应用现状。结合混沌时间序列的分析方法,在对现在广泛应用于电力系统短期负荷预测的混沌方法研究的基础上,提出了将混沌预测技术与小波奇异性检测和消噪结合提高预测精度的方法。

首先,简要介绍了深度学习算法的有关内容,包括深度学习与神经网络的比较和深度学习的训练过程。其次,从负荷的日属性、负荷的周属性、温度因素、节假日因素这几个方面对负荷的特性进行了研究。最后,根据负荷的历史数据,应用深度学习算法进行了短期负荷预测,并将其预测结果与bp神经网络的预测结果做了比较。