基于切换模型极限学习机的超短期负荷预测.pdfVIP

学兔兔 第 52卷 第 13期 电测与仪表 V0l_52NO．13 2015年 7月 10日 ElectricalM easurement Instrumentation Jui．10。2015 基于切换模型极限学习机 的超短期负荷预测 邓明丽，张晶 (国网四川省 电力公司技能培训 中心，成都610065) 摘要：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。 关键词：极限学习机 ；切换模型；负荷预测；更新模型；预测精度 中图分类号：TM76 文献标识码：B 文章编号：1001—1390(2015)13—0071—06 Ultra-shortterm load forecastingbased on switchingmodel extremelearningmachine DengMingli，ZhangJing (StateGridElectricPowerCompanySichuanProvinceSkillsTrainingCenter，Chengdu610065，China) Abstract：Inview oftheoutputfluctuation andmodelofinstabilityintheextremelearningmachinealgorithm，this paperraisesthemethodofswitchingmodellimitlearningalgorithm forultrashortterm powerloadforecasting．Theal· gorithm dividesapluralityoftheestablishedneuralnetworkmodelintotwoparts：keepingmodelofsmallerrorsand updatingmodeloflargeerrorsbyswitchingmodelguidelines．Tokeepmodelhasnoneedofronlineupdate，SOasto reducethevolatilityoftheoutputofmodel；updatingmodelneedstoadoptstochasticmethodstoupdateonline，SO thatthetrainingerrorreachesaminimum，and thegeneralizationabilityofthemodelisimproved．Finally，through thesimulationofpowerloadforecastingofacertainarea，thepredictedresultsshow thattheproposedmethodcanim- provethepredictionspeed，savecomputingtime，andhasbettergeneralizationabilityandpredictionaccuracy． Keywords：extremelearningmachine，Switchingmodel，loadforecasting，updatethemodel，predictionaccuracy 0 引 言 量间动态非线性的关系，从而造成运用成效不理想； 超短期电力负荷预测是能量管理系统一个的重