论文部分内容阅读
电力负荷预测是电力系统的重要组成部分。短期电力负荷预测指的是对办公楼、工厂或学校未来一天到几个月的负荷进行预测。短期电力负荷预测是电力系统调度以及计划部门制定购电计划,乃至合理安排运作方式的基础。其预测精度的高低可以影响电力系统运行的经济性、安全性以及供电质量。所以,短期电力负荷预测模型的探索一直受到人们的重视。 由于电力负荷与气候、经济以及时间等因素的联系是十分紧密的,并且进行周期性的波动,以往的方法不能描述其变化规律,造成电力负荷的预测精度较低。为了提高电力负荷预测精度,以某建筑电网的负荷数据为研究对象,对电力负荷曲线的变化规律进行深入分析。在此研究基础上,采用极限学习机(Extreme Learning Machine, ELM)对电力负荷进行预测。本文的主要工作内容如下: (1)提出了基于时间序列编码的相似日选择和ELM相结合的电力负荷预测方法。基于时间序列编码的相似日选择方法在每个编码点中融入了整个序列的信息,不仅可以描述出序列的趋势,还可以描述出该点在序列中的相对位置。采用ELM进行预测,只需对神经网络中隐层神经元的数目进行设置,在运行流程中网络的输入权值和隐层神经元的偏置都保持不变,而且只生成一个最优解。以某建筑电网的电力负荷数据进行仿真,并将该方法与支持向量机(SVM)和BP神经网络进行对比。实验结果表明该方法具有较高的预测精度和较强的适应性,并且运行时间较短。 (2)提出了基于Adaboost的ELM电力负荷预测方法。该方法首先初始化训练样本的分布权值,采用ELM当作弱预测器对训练样本进行重复训练并且对权值进行更新,最终将获得的多个ELM弱预测器采用Adaboost算法构建一个新的强预测器。采用遗传算法(Genetic Algorithm, GA)对Adaboost算法的参数进行优化。Adaboost算法克服了ELM的过拟合特性,同时又增强了ELM的泛化能力和适应性。通过实例仿真,将该方法与ELM进行对比,实验结果表明基于Adaboost的ELM比ELM具有更高的预测精度和更好的泛化能力。