基于GA理论与QPSO-ELM结合的短期负荷预测方法

作者：陈永龙; 石麒; 王二庆

来源：湖南电力, 2022, 42(01): 64-70.

• 遗传算法
• 量子粒子群算法
• 极限学习机
• 短期负荷预测

为了更快地挖掘海量负荷数据中的非线性关系，提高短期负荷预测模型精度，针对量子粒子群算法(QPSO)在处理复杂高维参数优化问题时能力不足的缺点，结合遗传算法(GA)中的杂交进化思想对其进行改进，提出遗传量子粒子群算法(GAQPSO)来优化正则极限学习机的输入权重和隐藏层偏差，形成混合短期负荷预测GAQPSO-ELM模型。同时，在输入特征选取时，充分考虑历史负荷、温度、时刻以及工休日等相关因素的影响，进一步提高短期负荷预测模型的准确性。实验结果表明，短期负荷预测模型相对于QPSO-ELM模型和普通ELM模型具有更高的精度，并且更能反映日负荷曲线的变化趋势，验证了新提出预测模型的有效性。