基于改进核极限学习机的短期负荷预测全网模型设计

作者：张斌; 宫建锋; 郭宁; 靳盘龙; 韩一鸣

来源：自动化仪表, 2021, 42(08): 64-67.

DOI：10.16086/j.cnki.issn1000-0380.2020090038

• 短期负荷
• 改进核极限学习机
• 电力系统
• 预测模型
• 误差
• 模型
• 准确率
• 泛化性能

为了更好地实现对电力系统子网负荷的快速、准确预测,设计了一种通过优化核极限学习机实现的预测模型,同时建立了Cholesky分解的核极限学习机以及短期负荷预测模型。分析了隐含层中的神经元个数引起的模型泛化性差异性,发现在神经元数量为25个时误差达到最低。结果表明,按照聚类方式获得的改进Kernel极限学习机(KELM)模型表现出更强拟合性能。采用聚类方式的组合预测模型具备可靠性,通过聚类方法选取最佳训练样本能够显著降低模型预测误差。改进KELM模型总共进行了5次聚类,改进KELM方法计算短期负荷准确率均在97%以上,满足设计要求。该研究为后续的全网负荷预测起到一定的理论支撑作用。