论文部分内容阅读
负荷预测不仅是确保电力系统安全经济运行的必要手段之一,也是制定电力市场交易计划的基础。随着现代社会电力市场的不断发展,负荷预测在电力系统中的重要性也越发突出。对于负荷预测的方法目前研究的已经相当成熟,预测的结果对于电网运行有一定参考价值。但是,由于节能减排的方针的提出,对负荷预测的精度要求越来越高,因此,为了提高负荷预测的精度,就需要对现有的预测方法进行改进,引入新的理论方法。目前,随着数学理论的发展以及科学技术的进步,越来越多的新理论被带入到负荷预测中去研究,比如模糊数学理论、专家系统理论、灰色理论等等,这些理论带动了负荷预测的发展,使得负荷预测在预测精度上有了质的跨越。 核极限学习机(KELM)作为一种在极限学习机基础上改进的算法,其引入具有强大非线性映射能力的核函数,将原来单层、无核、线性不可分的极限学习机转变为空间线性可分的,使其相较于基本的极限学习机算法具有更强的回归预测能力。同时,为了防止早熟问题的发生,本文引入一种全新的人工智能算法即纵横交叉算法(CSO)。纵横交叉算法分别从不同的方向进行交叉操作,使得全局搜索无盲点,能够有效避免陷入局部最优解;并且引入竞争算子操作,通过父代与子代的比较,保留适应度值高的一代,从而保证了收敛精度。为了提高核极限学习机的预测精度,本文在深入研究了核函数、纵横交叉算法的基础上,给出了基于纵横交叉算法优化核极限学习机(CSO-KELM)的负荷预测算法模型。其核函数是具有局部特性的高斯径向基核函数,并且针对核函数中参数的不定性,使用纵横交叉算法对核极限学习机参数进行优化。 最后,在Matlab软件平台上,将CSO_KELM算法模型用到地区电网中进行短期负荷预测,并与其他智能算法对比分析,得出优化后的模型不仅不易陷入局部最优,而且收敛更加稳定,精度也有所提高。之后,在CSO_KELM算法模型的基础上,分别考虑日期类型和气温等因素对负荷进行预测,得到负荷预测精度较不考虑影响因素时有所提高,从而证明了负荷预测精度确实受到日期类型和气温等因素的影响。