基于改进核极限学习机的短期负荷预测模型分析

作者：朱勇; 陶用伟; 王常沛; 李泽群; 黄琼; 杨键

来源：电气自动化, 2020, 42(05): 42-44.

• 短期负荷
• 预测模型
• 改进核极限学习机
• 聚类方法
• KELM模型
• 最优解
• 泛化能力
• 神经网络

以极限学习分析模型为基础,对子网负荷变化进行了预测,同时比较了经过改进得到的核极限学习机模型与神经网络方法各自计算得到的结果。研究结果表明:利用聚类方法进行改进的KELM模型可以获得更低的Max-AE,使模型获得更优的拟合性能;采用聚类方法试试改进的KELM模型还可以达到比直接预测更高的效率,表明聚类得到的组合预测模型具备有效性,能够显著降低模型的预测误差;极限学习机模型不必对算法实施迭代,整体运行效率较高,最后可以获得一个最优解;核极限学习机方法可以达到最优状态,获得理想的泛化能力。

• 单位
  贵州电网有限责任公司