基于改进极限学习机的中长期电力负荷预测_张丙泉.pdfVIP

科 技 论 坛 基于改进极限学习机的中长期电力负荷预测 张丙泉 （广东电网惠州龙门供电局，广东 惠州 516800） 摘 要：根据神经网络的非线性辨识能力和极限学习机（ELM）的高计算速度、高泛化能力等特点，提出一种批处理和逐次迭代相结合的改进极 限学习机方法。实验结果表明，改进的极限学习机方法应用于中长期的电力负荷预测中，比传统的极限学习机效果更优。 关键词：中长期电力负荷预测；极限学习机；神经网络 1 概述 中间状态，那么已经训练好的人工神经网络能 随着我国电网建设的日趋完善，电力系统 够很准确地识别，但是对于在已知样本的外延 [4] 的负荷预测技术也逐渐引起人们的广泛研究。 能力则相对内插而言就较为弱 。且越是远离训 准确的符合预测，能够帮助电力部门经济合理 练信息，其预测结果则越不准确，其原因在于其 地安排机组启停、减少旋转备用容量、合理安排 可用于比较的信息就越少。而电力负荷预测往 检修计划，最终实现降低发电成本、提高经济效 往需要神经网络具有一个较好的外延能力。于 [1] 益的目的 。 是，本文提出一种改进预测的极限学习机算法， 神经网络由于其强大的非线性辨识能力， 通过不断更新训练样本集，提高人工神经网络 使其在电力负荷预测中具有重要的应用和很好 在外延能力上识别性能。基本做法是在预测过 的发展前景。在应用神经网络进行电力负荷预 程中我们每完成一次训练便将得到的预测数据 测方面的研究主要有误差反向传播的BP （Back 加入训练样本，作为下一次预测的已知信息，这 [2] [2] [3] 量为例 ，选取其中第25- 34 年份的数据作为原 Propagation）神经网络 、Elman 神经网络 以及 样极限学习机每次只需要预测一组数据，从而 径向基函数（Radial Basis Function, RBF）神经 在最大程度上提高网络的预测精度。 始数据进行学习，预测第35、36 年的用电量，其 [4] 实验结果如表2 所示。可以看到，改进的极限学 网络 。 该改进的本质是把批处理和逐次迭代结 值得指出的是，近年来由新加坡学者 合起来，充分利用批处理的高速性和逐次迭代 习机算法对于稍远点的第36 年的预测能力则 [5] 明显较强。所以，在考虑工农业总产值的情况 Guangbin Huang 提出的极限学习机 （Extreme 的精确性，其具体实现方法可描述如下： Learning Machine, ELM）神经网络理论引起了 a.使用极限学习机的算法（批处理）求得下 下，改进的极限学习机依然能够达到一个比原 人们的广泛关注。该学习算法能够极大地提高 一个预测数据 ； 始极限学习机更好的负荷预测结果。 前向神经网络的学习速度，且其训练误差和泛 b.更新训练样本集，把新预测的数据 5 结论 [6] 本文探讨了一种改进的极限学习机算法在 化能力均有良好的表现 。本文将极限学习机的 加入训练样本集，产生新的训练样本集； 理论应用于电力系统负荷