基于改进流形正则化极限学习机的短期电力负荷预测

为提高短期电力负荷预测的精度与效率,提出一种改进流形正则化极限学习机的短期电力负荷预测方法;首先,为了改善极限学习机(ELM)的泛化性能与效率,并解决随机初始化参数导致极限学习机存在的潜在问题,采用流形正则化理论优化极限学习机;其次,针对流形正则化极限学习机中参数的选择,以及流形正则化极限学习机隐层节点选择的问题,提出将贝叶斯优化算法(BOA)融入到流形正则化极限学习机中以优化流形正则化极限学习机(MRELM)。最后,通过实验数据分析,改进流形正则化极限学习机预测方法将预测平均相对误差降低到了1.903%,30次实验的平均相对误差的方差降低到了1.9‰,平均单次运行时间降低到了6.113 s。     

基于人工蜂群优化极限学习机的短期负荷预测*

针对极限学习机(Extreme Learning Machine,ELM)在训练前随机产生输入层权值和隐含层阈值导致输出结果不稳定,影响短期负荷预测精度的缺陷,提出基于人工蜂群(Artificial Bee Colony,ABC)算法改进ELM(ABC-ELM)的短期负荷预测新方法。首先,选用历史负荷、外界气象因素和待预测日星期类型等属性构成ELM输入向量,以负荷值为输出,构建ELM模型;其次,采用ABC对ELM输入层权值和隐含层阈值进行优化;最后,根据优化参数,建立基于ABC-ELM的负荷预测模型,并以该模型开展负荷预测。根据国内某大型城市实测负荷数据开展实验,验证方法有效性。实验结果证明ABC-ELM较ELM和BP神经网络具有更高的稳定性和预测精度。     

基于PAM和ELM的电力短期负荷预测相似日选取算法

为提高电力短期负荷预测的精度和算法计算速度,提出了一种基于PAM聚类和ELM极限学习机的电力短期负荷预测算法。通过对历史短期数据的聚类分析,对不同类别提取特征变量。再以极限学习机算法对待测日的特征进行模式识别找出相似日,以相似日的特征变量为依据分别求取每个相似日的权重,累加求和作为负荷的预测值。将预测值与实际值进行比对,结果表明该算法精度和效率均优于传统的前馈神经网络算法。     

基于二层分解技术的短期负荷预测研究

钢铁用户的增多会使地区含有大量的冲击负荷,传统的预测方法难以捕捉该地区的负荷变化规律,预测精度不足。为提高含大量负荷地区的负荷预测的精度和泛化性,提出一种基于可变模式分解与奇异谱分析相结合的二层分解技术(VMD-SSA)和改进鲸鱼算法(IWOA)优化极限学习机(ELM)的短期负荷预测模型。通过实例证明,相比于其它模型,所提混合模型能充分掌握负荷的变化规律,有效提高了含大量负荷地区的负荷预测的精度和泛化能力。     

SOM特征提取与ELM在电力负荷预测中的应用

随着电力负荷内涵复杂度和非线性增加,单纯追求电力负荷预测精度将变得困难。研究根据负荷样本分析其趋势、抽取特征来解决预测精度问题,即提出一种基于自组织特征映射网络(SOM)进行特征提取并与极限学习机(ELM)相结合的短期电力负荷预测方法。通过SOM特征提取找出与预测日同类型的历史数据作为训练样本;然后采用ELM进行预测,该方法预测过程简捷,能得到唯一的最优解。实验以某市的电力负荷数据进行仿真和比较。结果表明,基于SOM特征提取的ELM方法不仅精简了训练样本数量,且使训练更具有针对性,提高了预测精度和泛化性能,具有一定的理论意义和较好的应用前景。     

基于改进多元宇宙算法优化ELM的短期电力负荷预测

为改善因人工神经网络参数随机初始化对短期电力负荷预测带来的不足,提出一种基于改进多元宇宙(improved multivariate universe optimizer, IMVO)算法优化极限学习机(extreme learning machine, ELM)的短期电力负荷预测方法。算法的改进包含3个方面。首先,添加beta分布的随机数得到改进Tent混沌映射方法,采用遍历均匀性更好的改进Tent混沌映射方法使MVO算法得到好的初始解位置。其次,采用指数形式改进传统MVO算法的旅行距离率,利用指数形式改进后可使算法在整个寻优迭代前中期保持较高的全局开发水平。然后,采用精英反向学习的方法改进宇宙群。通过基准函数测试改进前后算法的性能,表明IMVO算法具有更好的稳定性和鲁棒性。最后,利用IMVO算法优化ELM的权值和阈值,建立IMVO-ELM短期电力负荷预测模型。通过实例分析和实验对比,表明IMVO-ELM模型的稳定性、预测精度和泛化能力均优于其他模型。     

考虑区间构造的改进极限学习机短期电力负荷区间预测

针对区间预测中电力负荷预测区间范围过宽和精度不高的问题,提出一种基于灰狼优化算法(graywolf optimizationalgorithm, GWO)-蚁狮算法(antlion optimizationalgorithm, ALO)优化的极限学习机(extreme learningmachine,ELM)短期电力负荷区间预测方法。首先将电力负荷历史预测误差进行正态分布拟合,构造负荷功率历史区间。进而将负荷历史区间和历史前24h、前2h及前1h功率作为模型输入。然后考虑ALO的随机初始种群会影响求解速度与质量,利用GWO生成ALO的优质初始种群,避免陷入局部最优解。接着用ALO优化ELM输入权重及隐藏层偏置,构建具有强泛化能力的ELM短期电力负荷区间预测模型。最后利用湖南省某市电力负荷进行验证,通过多种方法对比,所提方法准确度更高,预测区间质量更好。得到的区间预测结果能为电力系统调度、新能源消纳提供精确的负荷变化信息。     

基于WOA-ELM的电力负荷预测模型研究

电力负荷预测是保障电力系统运行的关键技术。针对电力负荷受时间、温度、湿度、风速和电力需求等因素影响导致预测精度较差的问题,提出利用鲸鱼优化算法对极限学习机的连接权重和隐含层阈值进行优化,构建基于WOA-ELM的电力负荷预测模型。结合实例分析,与其他优化过的机器学习模型（GA-BP模型、PSO-SVM模型）及传统的ELM模型进行对比,结果验证了WOA-ELM模型的有效性,在电力负荷预测方面有较高的精度及较快的训练速度。     

基于极限学习机方法的短期负荷预测

将极限学习机(ELM)方法引入电力系统短期负荷预测领域。该方法预测能力强,具有计算时间短、计算准确性高、全局搜索等显著特点。在运用ELM算法建立短期负荷预测模型过程中,采用归一化处理输入数据,使用主成分分析法选取计算样本,并由交互验证法确定最优主成分因子数和ELM隐含层节点数。实际算例表明,在于短期负荷预测的预测精度和运算时间方面,ELM方法较传统神经网络方法具有其独特的优势。     

基于云计算和极限学习机的分布式电力负荷预测算法

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。