改进鲸鱼算法优化的多维度深度极限学习机短期负荷预测

电力系统短期负荷预测的准确性是影响电力系统运行安全的关键因素。以更精准进行短期负荷预测为目标,提出了一种基于改进鲸鱼算法（Improved Whale Optimization Algorithm,IWOA）优化的多维度深度极限学习机（Deep Extreme Learning Machine,DELM）短期负荷预测方法。首先,针对传统鲸鱼算法（Whale Optimization Algorithm,WOA）初始种群分布不够广泛的问题,引入Tent混沌映射对初始鲸鱼种群初始化;其次针对极限学习机模型（Extreme Learning Machine,ELM）数据深层隐藏的信息学习能力差的问题,采用深度极限学习机作为基础负荷预测模型,并以改进鲸鱼算法对其进行参数寻优;最后考虑到温度、湿度等因素对负荷变化影响较大,建立多维度IWOA-DELM负荷预测模型。仿真结果表明,与其他模型相比,多维度的IWOA-DELM模型预测的准确度更高。     

基于改进极限学习机的短期电力负荷预测方法

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。     

基于改进哈里斯鹰算法优化核极限学习机的短期电网负荷预测研究

利用改进的哈里斯鹰算法对核极限学习机进行优化,构建了CEHHO-KELM电力负荷预测模型。首先,在充分考虑了经济、时间、气候以及电网自身影响的基础上,采用灰色关联分析法筛选主要影响因素作为预测模型输入向量。然后,将优化的哈里斯鹰算法融合到核极限学习机的参数优化中,建立了CEHHO-KELM电力负荷预测模型。将某省电力负荷数据及其影响因素数据用于实证分析。仿真结果表明,CEHHO-KELM算法相较于HHO-KELM、LSSVM、KELM算法,能够较好地搜索核极限学习机的参数、更好地平衡全局和局部性能,从而使得KELM预测模型具有更高的预测精度。     

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。     

基于切换模型极限学习机的超短期负荷预测

针对极限学习机算法中输出波动大与模型不稳定的问题,提出采用切换模型极限学习算法进行超短期电力负荷预测的方法。该算法通过切换模型准则,将建立的多个神经网络模型分为误差较小的保持模型和误差较大的更新模型两部分。保持模型无需进行在线更新,减低了模型输出的波动性;更新模型则需采取随机方法进行在线更新,使得训练误差达到最小,提高模型的泛化能力。通过对某地区电力负荷的预测仿真,结果表明了所提方法提高了预测速度,节省了计算时间,具有更佳的泛化能力和预测精度。     

基于改进的极限学习机光伏出力短期预测

针对传统极限学习机易陷入局部最优解的缺点以及环境变化导致光伏出力波动的特点,构建了一种基于自适应噪声完全集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）算法,结合黑猩猩优化算法优化极限学习机神经网络的光伏出力短期预测模型。首先利用CEEMDAN算法将影响光伏输出功率的关键环境因素序列进行分解,得到数据信号在不同时间尺度的局部特征,降低环境因素序列的非平稳性,然后将各分解子序列和光伏历史数据序列作为黑猩猩算法优化的极限学习机预测模型输入进行预测。最后,选用DKASC Solar Centre光伏电站数据集对不同预测模型进行验证对比。实例仿真结果表明,构建的改进光伏出力预测组合模型的各项指标预测效果更好,且适用不同环境的光伏发电预测。     

基于改进骨干差分进化算法优化LSSVM的短期光伏发电功率预测

准确预测光伏发电功率对于保障电力系统安全稳定和经济运行具有重要意义.提出一种基于改进骨干差分进化算法(IBBDE)优化最小二乘支持向量机(LSSVM)的光伏发电功率预测模型.IBBDE算法采用广义反向学习初始化种群和自适应调整交叉概率对骨干差分进化算法进行改进以提升算法的全局寻优能力,利用IBBDE算法优化LSSVM预...     

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。     

基于核函数极限学习机的微电网短期负荷预测方法

针对以单个或集体用户为业主的用户侧小容量微电网,考虑到成本约束及用电特征的不确定性,提出了一种基于核函数极限学习机的微电网短期负荷预测方法。使用核函数极限学习机、启发式遗传算法和分时训练样本,建立了包含离线参数寻优与在线负荷预测的预测模型;通过模型参数的周期更新来保证算法最优参数的时效性,同时降低在线预测系统的计算复杂度与历史数据存储量。通过对不同容量、类型的用户侧微电网进行短期负荷预测,分析了预测结果的准确度、参数周期更新的效果、预测结果对经济运行的影响和预测方法的计算效率。     

基于优化核极限学习机的光伏出力短期预测

光伏出力的精确预测有利于确保电力系统的可靠运行,减小投资者的利益风险。考虑到光伏出力的不确定性和非平稳性,首先采用自适应白噪声的完整集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)将原始光伏出力序列分解为一系列相关性较强、较平稳的子序列,再使用核极限学习机(Kernel Extreme Learning Machine,KELM)分别对每一子序列进行预测。由于KELM学习参数选取对其预测性能有较大影响,提出了基于改进蝙蝠算法(Improved Bat Algorithm,IBA)对KELM模型参数进行寻优。最后,将每一子序列预测结果通过求和相加获取最终的预测值。实际算例表明,该IBA算法收敛速度快,全局搜索能力强,所提的CEEMDAN-IBA-KELM组合方法能有效提高光伏出力的预测精度。     

基于改进麻雀算法优化深度极限学习机的缺失数据预测

数据缺失降低了数据的可利用性,因此如何预测缺失数据变得尤为重要。针对缺失数据问题,提出一种改进麻雀搜索算法优化深度极限学习机的预测算法。首先,将 Singer混沌映射、柯西-高斯变异策略和余弦权重因子与麻雀搜索算法结合;其次利用改进后的麻雀搜索算法优化深度极限学习机中的各极限学习机中自动编码器的输入权重与偏置,进行缺失数据预测。实验表明,在小数据量,低缺失率下时,改进麻雀搜索算法优化深度极限学习机相较于麻雀搜索算法优化深度极限学习机、粒子群优化深度极限学习机、深度极限学习机,其稳定性强,预测精度最高;在均方根误差、平均绝对误差等评价指标上改进麻雀搜索算法优化深度极限学习机优于对比算法。     

基于改进非洲秃鹫算法优化极限学习机的船舶运动预测

针对船舶运动预测模型精度不高而造成预测结果误差大的问题,提出一种利用改进非洲秃鹫优化算法（IAVOA）优化模型参数的极限学习机（ELM）预测模型,对船舶运动状况进行预测。在初始化种群时引入Circle混沌映射,增加种群的多样性;加入自适应算子,调整两类秃鹫对其他秃鹫的指引作用,提升算法的收敛速度和解的质量。利用IAVOA优化的ELM模型对船模水池试验运动数据进行预测,并采用均方根误差和平均绝对误差评判该预测模型,与现有其他启发式算法优化ELM模型比较,所提出的IAVOA-ELM具有更优的预测精度和泛化能力。     

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。     

基于改进卡尔曼滤波算法的短期负荷预测

对于电网的安全运行,短期的负荷预测是必不可少的。电力系统的负荷通常是随着时间呈现出一定范围的非线性波动,这里根据电力系统中负荷特性的变化规律,提出了一种通过引入修正因子改进卡尔曼滤波算法的方法,实现了电力短期负荷预测。通过对成都地区的负荷进行短期预测,说明这种方法较传统的卡尔曼滤波具有更高的预测精度,同时与其他的新型智能算法相比,具有收敛速度快、耗时短等优点。通过MATLAB仿真,说明这种改进后的算法对实现短期负荷预测提供了一条新的途径。     

基于改进CS算法优化Elman-IOC神经网络的短期负荷预测

为提高负荷预测精度,提出一种基于混沌定向布谷鸟算法优化Elman-IOC神经网络的短期负荷预测模型,首先对Elman神经网络拓扑结构进行改进设计,通过增添输入-输出层连接单元,加强网络并行运算能力,提高预测精度,然后在布谷鸟算法中,利用最优位置信息指导随机游动过程,同时引入混沌扰动算子,增强全局搜索能力,最后将算法应用于Elman-IOC神经网络参数优化,建立了短期负荷预测模型。实验结果表明,较之其他模型,本文模型具有更高的预测精度。     

基于核主成分分析和极限学习机的短期电力负荷预测

电力负荷预测的影响因素很多,需要综合考虑多个指标。各种指标间的关系通常是非线性的,采用线性主成分分析(PCA)往往会出现各主成分的贡献率太过分散,找不到具有全面综合能力的成分的情况。核主成分分析(KPCA)作为非线性主成分评价模型,通过核技巧,规避了非线性主成分分析(NLPCA)中非线性变换的未确知性,获得的主成分的贡献率比较集中,得到的评价结果更符合客观事实。采用KPCA来改进极限学习机(ELM)神经网络的输入量,兼顾了各个指标间非线性关系,以保留大部分原始信息为前提,有效的降低了输入维数,以极限学习机为预测模型,对实际电网中的负荷数据进行预测分析,结果表明,KPCA-ELM方法有效地提高了预测精度。