Indexed by:期刊论文

Date of Publication:2015-07-10

Journal:计算机应用

Included Journals:PKU、ISTIC、CSCD

Volume:35

Issue:7

Page Number:2083-2087

ISSN No.:1001-9081

Key Words:核极端学习机;迭代误差补偿;输入变量;短期;电力负荷预测

Abstract: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74.39％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.