资料下载
核极端学习机模型在短期电力负荷预测中的应用
分享资料个
针对BP神经网络方法制约短期电力负荷预测精度的问题，提出一种基于迭代误差补偿的核极端学习机（ KELM-IEC）预测模型。首先，建立短期电力负荷预测模型的输入指标体系，选择月份、日期、星期、周数、是否为节假日、日平均气温、前一日的最大负荷量等影响电力负荷的7个因素作为预测模型的输入；其次，基于新型神经网络模型——核极端学习机（ KELM），建立负荷预测模型，引入支持向量机（SVM）的核函数映射作为极端学习机（ELM）的隐含层节点映射，有效结合ELM结构简单、训练简便与SVM泛化能力强的优势，提高负荷预测精度；最后，基于时间序列预测中迭代误差补偿（IEC）技术，建立IEC模型，再次利用KELM对负荷预测模型的预测误差进行学习，从而对预测结果进行补偿和修正，进一步减小模型预测误差，提高预测性能。采用两组实际电力负荷数据进行仿真实验，其中，KELM-IEC模型与BP神经网络模型相比，平均绝对百分误差（MAPE）分别降低了74. 3g%和34. 73%．最大绝对误差（ME）分别降低了58. 34%和39. 58%；同时与KELM模型相比，平均绝对百分误差分别降低了18。60%和4.29%，最大绝对误差分别降低了0. 08%和11. 21%，说明误差补偿策略的必要性。实验结果表明，KELM-IEC预测模型能够有效地提高短期电力负荷预测的精度，有利于改善电力系统的计划、运营和管理，保障生产和生活用电，提高经济效益和社会效益。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
