電子發燒友網>電子資料下載>電子論文>電力論文網>核極端學習機模型在短期電力負荷預測中的應用

核極端學習機模型在短期電力負荷預測中的應用

2755793 2018-01-08 | rar | 0.79 MB | 次下載 | 2積分

資料介紹

　　針對BP神經網絡方法制約短期電力負荷預測精度的問題，提出一種基于迭代誤差補償的核極端學習機（ KELM-IEC）預測模型。首先，建立短期電力負荷預測模型的輸入指標體系，選擇月份、日期、星期、周數、是否為節假日、日平均氣溫、前一日的最大負荷量等影響電力負荷的7個因素作為預測模型的輸入；其次，基于新型神經網絡模型——核極端學習機（ KELM），建立負荷預測模型，引入支持向量機（SVM）的核函數映射作為極端學習機（ELM）的隱含層節點映射，有效結合ELM結構簡單、訓練簡便與SVM泛化能力強的優勢，提高負荷預測精度；最后，基于時間序列預測中迭代誤差補償（IEC）技術，建立IEC模型，再次利用KELM對負荷預測模型的預測誤差進行學習，從而對預測結果進行補償和修正，進一步減小模型預測誤差，提高預測性能。采用兩組實際電力負荷數據進行仿真實驗，其中，KELM-IEC模型與BP神經網絡模型相比，平均絕對百分誤差（MAPE）分別降低了74. 3g%和34. 73%．最大絕對誤差（ME）分別降低了58. 34%和39. 58%；同時與KELM模型相比，平均絕對百分誤差分別降低了18。60%和4.29%，最大絕對誤差分別降低了0. 08%和11. 21%，說明誤差補償策略的必要性。實驗結果表明，KELM-IEC預測模型能夠有效地提高短期電力負荷預測的精度，有利于改善電力系統的計劃、運營和管理，保障生產和生活用電，提高經濟效益和社會效益。