改進極限學習機短期電力負荷預測方法

負荷預測對電網規(guī)劃和售電市場調控具有重要意義。由于電力負荷與天氣、日期、區(qū)域等多個因素密切相關,存在較強的不確定性和非線性特征,導致傳統(tǒng)方法的負荷預測精度較低。為了提高負荷預測精度,提出基于正交投影徑向基函數極限學習機(oprbf-elm)的短期電力負荷預測算法。該算法將elm的隱含層節(jié)點替換為徑向基神經元,基于訓練誤差二范數最小化準則,采用正交投影計算輸出權值向量,并在核函數的數量取值范圍內索引獲取使得訓練集均方根誤差(rmse)最小的預測負荷結果。算法預測過程中只需要設置網絡的徑向基神經元(rbf)個數,不需要調整輸入權值及隱含層偏差,且正交投影能較好地消除輸入樣本特征之間的相關性,快速有效得到輸出權值向量,從而提高負荷預測精度。以我國某省電動汽車用電領域的負荷數據作為標準樣本進行仿真,仿真實驗驗證了該算法的可行性和有效性,與支持向量機(svm)和傳統(tǒng)rbf-elm相比,該算法的預測精度高、泛化能力強,具有廣泛的實用性。

???????????????????????????????????(63?ì1.???.???.????????????????19882.????????????????19873.???.??.?.???.???.????????????????????[?????-????2003(3)4.perryshort-termloadforecastingusingmultipleregressionanalysis19995.apapalexopoulos.thesterburgaregression-basedapproachtoshort-termloadforecasting1990(04)6.???.???.??????????

為了提高電力負荷預測精度,應對電力系統(tǒng)智能化所帶來的數據海量化高維化帶來的單機計算資源不足的挑戰(zhàn),提出了一種在線序列優(yōu)化的極限學習機短期電力負荷預測模型。針對電力負荷數據特性,對極限學習機預測算法進行在線序列優(yōu)化;引入分布式和multi-agent思想,提升負荷預測算法預測準確率;采用云計算的mapreduce編程框架對提出的算法模型進行并行化改進,提高其處理海量高維數據的能力。選用eunite提供的真實電力負荷數據進行算例分析,在32節(jié)點云計算集群上進行實驗,結果表明基于該模型的負荷預測精度均優(yōu)于傳統(tǒng)支持向量回歸預測算法和泛化神經網絡預測算法,且提出的算法具有優(yōu)異的并行性能。

偏最小二乘(pls)運算降低電力負荷數據之間的相關性,最小二乘支持向量機(ls-svm)可以獲得模型的全局最優(yōu)預測效果,減少預測過程的運算量。介紹了pls和ls-svm的基本原理,給出了pls-ls-svm建立短期日電力負荷預測模型的過程,并用于某地區(qū)2008年的用電日負荷預測,預測的平均相對誤差和最大相對誤差分別為0.685%和8.8599%。與基于ar(1)模型的預測結果相比,pls-ls-svm模型更高的預測準確性可為短期電力負荷預測提供有效依據。

利用標準bp神經網絡建立短期電力負荷預測模型,其算法存在最終解過于依賴初值和過學習現象,并且訓練過程中存在局部極小問題且預測精度低等缺點。為了提高電力負荷模型的預測精度,通過閱讀相關文獻,構建了基于改進bp神經網絡的短期電力負荷預測模型,該模型采用遺傳算法對權值和閾值進行初始化,以相對誤差和附加動量法相結合的方式去計算權值修正量。比較改進后的bp算法和標準bp算法在短期電力負荷預測的效果,從實驗仿真的效果表明改進后的模型提高了預測精度。

鄭州大學 碩士學位論文 電力系統(tǒng)短期負荷預測方法的研究 姓名：張德玲 申請學位級別：碩士 專業(yè)：電力系統(tǒng)及其自動化 指導教師：陳根永 20070515 電力系統(tǒng)短期負荷預測方法的研究 作者：張德玲 學位授予單位：鄭州大學 本文鏈接：http://d.g.wanfangdata.com.cn/thesis_y1059836.aspx

電力系統(tǒng)短期負荷預測方法研究分析

電力系統(tǒng)短期負荷預測是保證電力系統(tǒng)安全經濟運行和實現電網科學管理及調度的重要依據,目前的電力系統(tǒng)短期負荷預測方法存在著一些不足。提出了基于人工神經網絡與主分量分析的短期負荷預測方法,在試驗中分別采用該方法和單一的人工神經網絡對遼寧省某電網的短期負荷進行了預測,試驗結果表明本文提出的方法與單一的人工神經網絡預測法相比,不但減少了預測的時間,而且避免了過擬合現象,提高了預測精度。

介紹極限學習機（elm）的原理，提出極限學習機模型的城市燃氣短期負荷預測方法。以重慶市某區(qū)域燃氣日負荷、氣溫、日期類型及天氣狀況等數據為訓練樣本，采用歸一化等預處理方法處理輸入數據，通過確定最優(yōu)隱含層節(jié)點數等建立最優(yōu)極限學習機模型。將實際值和通過采用極限學習機與支持向量機（svm）方法得到的燃氣日負荷預測值進行對比，將采用極限學習機與支持向量機方法的訓練時間和預測時間進行對比，極限學習機預測方法具有較好的預測精度，且訓練時間短。

支持向量機svm作為機器學習方法之一,有數據分類以及數據回歸兩種用途,支持向量機的回歸能應用于預測領域.本文應用svm方法來建立電力負荷預測模型,首先以歷史負荷、天氣、日期類型作輸入數據,然后對數據進行歸一化處理,再利用svm構建預測模型,svm在負荷預測方面具有較高的可信度與精準度.

短期電力負荷預測器設計 thedesignofshorttermpowerload prediction 畢業(yè)設計任務書 一、設計內容 結合人工神經網絡模型的特點和學習方式，根據其學習方法，編寫算法進行matlab仿 真，對仿真預測結果的精度進行分析。 二、基本要求 1．選擇適合電力負荷預測的人工神經網絡的模型。 2．利用matlab軟件用于人工神經網絡模型的仿真。 3．得到仿真結果，對電力負荷預測結果的精度進行分析。 三、主要技術指標 利用現有的人工神經網絡模型，編寫matlab程序，對人工神經網絡進行訓練，實現電 力負荷預測。 四、應收集的資料及參考文獻 [1]韓力群.人工神經網絡理論、設計及應用[m].北京:化學工業(yè)出版社 [2]周開利，康耀紅.神經網絡模型及其matlab仿真程序設計[m].北京:清華大學出版 社 [3]朱大奇.

隨著我國經濟建設的不斷發(fā)展，社會用電量不斷增長，電廠和電網規(guī)模不斷擴大，這就對電力部門的安全、經濟運行提出了更高要求。負荷預測是電力市場技術支持系統(tǒng)的一個重要組成模塊，尤其是短期電力負荷預測方法易受隨機因素的干擾，針對短期負荷預測的特點，將數據挖掘技術引入短期負荷預測中，極大地提高了預測精度，對于保障電力運行的安全性和經濟性具有重要作用?；跀祿诰蚣夹g的短期電力負荷預測進行了探討，希望對相關單位有所幫助。

電力系統(tǒng)的管理和調度對精確的負荷預測模型有著極高的要求。為全面提高負荷預測模型的性能，提出一種新型的結合互補集成經驗模態(tài)分解（ceemd）和小波核函數極限學習機（wkelm）的短期電力負荷組合預測模型。首先通過ceemd將歷史電力負荷數據自適應地分解為一系列相對平穩(wěn)的子序列，對各分量建立小波核極限學習機的預測模型，預測各分量的負荷值并對其進行求和得到最終預測結果。用四種預測模型對真實的負荷數據進行訓練預測，算例表明新模型在預測精度和效率上都具有一定優(yōu)勢，同時克服了傳統(tǒng)emd中容易出現的模態(tài)混疊問題以及elm中存在的過擬合等缺陷，具有一定的實際應用潛力。

文章分析了影響電力負荷的因素,對現存的短期電力負荷預測方法進行了研究,采用粒子群算法對支持向量機進行參數尋優(yōu),建立了基于粒子群優(yōu)化的預測模型,并對短期電力負荷進行預測仿真,為精準且快速地預測短期電力負荷提供了有效的方法。通過實例分析驗證了該模型在電力負荷中的預測精度,結果顯示其精度值較高。

針對短期電力負荷預測易受氣象因素影響的特點,提出基于相似日和灰色理論的短期電力負荷預測模型;首先通過對日類型的判斷得到相同日類型的負荷數據,然后對氣象數據序列進行模糊化聚類處理,并結合預測日的氣象數據,采用灰色關聯方法進行關聯分析,選取與預測日關聯度高的負荷數據作為相似日負荷數據,采用灰色預測方法對相似日負荷數據進行短期電力負荷預測;仿真結果表明,選取了相似日之后的預測結果比未選取相似日的預測結果精度要高.

為了解決bp神經網絡在短期電力負荷預測中存在局部極小、收斂速度慢等問題，本文采用粒子群算法（particleswarmoptimization，pso）優(yōu)化elman動態(tài)神經網絡進行精準預測。根據輸入輸出參數個數確定elman神經網絡結構，利用pso算法優(yōu)化網絡的權值和閾值，并將優(yōu)化后的最優(yōu)個體賦給elman動態(tài)神經網絡作為初始權值、閾值進行網絡訓練，從而建立基于pso-elman的電力負荷預測模型。采用某鋼廠實測電力數據對該方法和模型進行驗證，并與傳統(tǒng)的bp、elman網絡模型預測方法進行對比，結果表明該方法和模型在有效縮短網絡收斂時間的同時，具備更高的負荷預測精度和穩(wěn)定性。

針對短期電力負荷預測易受氣象因素影響的特點，提出基于相似日和灰色理論的短期電力負荷預測模型；首先通過對日類型的判斷得到相同日類型的負荷數據，然后對氣象數據序列進行模糊化聚類處理，并結合預測日的氣象數據，采用灰色關聯方法進行關聯分析，選取與預測日關聯度高的負荷數據作為相似日負荷數據，采用灰色預測方法對相似日負荷數據進行短期電力負荷預測；仿真結果表明，選取了相似日之后的預測結果比未選取相似日的預測結果精度要高。

基于單項預測模型進行電網負荷預測已不能適應當前電網管理的要求。組合預測模型在很大程度上能夠彌補單一預測方法的片面性,但在組合模型中固定負荷預測方法也存在預測不準確、可信度低等一系列問題。本文在電力負荷預測系統(tǒng)中引入動態(tài)組合的思想,通過自動篩選預測方法、動態(tài)配置權重,構建最優(yōu)組合預測模型。實踐證明,該組合預測方法比單個預測方法具有更高的預測準確性。

為了充分考慮城市發(fā)展變化的多元性與預測電力負荷過程中的各種影響變量,提高電網規(guī)劃中電力負荷的預測精度,本文提出了基于計量經濟-灰色理論的多變量電力負荷預測方法.該方法首先通過電力負荷與各變量之間的相關性分析,確定預測過程中與電力負荷強度相關的各影響變量.然后利用統(tǒng)計學中的計量經濟理論,找到彼此之間的聯系,建立電力負荷與各變量之間的數學預測模型.最后再利用灰色理論對目標年各變量的值進行預測,以解決數據匱乏、波動的不確定性所帶來的難題,并帶入數學模型,完成預測.工程實例驗證了該方法是正確和有效的.

以忻州市1994~2004年用電量數據為例介紹了灰色預測技術在電力系統(tǒng)中的應用,并與忻州市1994年至2004年工農業(yè)生產總值(不變價)和同期用電量數據建立的一元線性回歸模型預測結果進行了對比分析,進一步說明了灰色模型預測具有較高的置信度和應用價值。

針對電力負荷短期預測問題,提出了一種基于相似日的神經網絡預測方法,分析傳統(tǒng)bp算法的不足,提出一種基于levenbery-marquardt優(yōu)化法的bp模型學習算法,在建立具體模型時,對于24點負荷預測,采用24個單輸出的神經網絡來分別預測每天的整點負荷值,具有網絡結構較小,訓練時間短的優(yōu)點,考慮了不同類型的負荷差異,并對四川省電力公司某區(qū)一條線路的供電負荷進行短期負荷預測仿真,仿真結果表明其具有較好的預測精度。

通過對電力負荷變化規(guī)律和影響因素的分析,提出了一種新的短期電力負荷預測模型。首先利用混沌理論將雜亂無章的歷史數據進行相空間重構,找出其中的潛在規(guī)律,并粗選預測參考點;然后利用蟻群優(yōu)化算法,考慮距離因素和相點演化的相關性因素,對粗選的預測參考點作進一步精選,提高其質量;最后采用gm(1,1)灰色模型得到預測日的負荷數據。實際算例驗證了提出的方法具有較好的預測精度。