格式:pdf
大小:160KB
頁數:
負荷預測對電網規劃和售電市場調控具有重要意義。由于電力負荷與天氣、日期、區域等多個因素密切相關,存在較強的不確定性和非線性特征,導致傳統方法的負荷預測精度較低。為了提高負荷預測精度,提出基于正交投影徑向基函數極限學習機(OPRBF-ELM)的短期電力負荷預測算法。該算法將ELM的隱含層節點替換為徑向基神經元,基于訓練誤差二范數最小化準則,采用正交投影計算輸出權值向量,并在核函數的數量取值范圍內索引獲取使得訓練集均方根誤差(RMSE)最小的預測負荷結果。算法預測過程中只需要設置網絡的徑向基神經元(RBF)個數,不需要調整輸入權值及隱含層偏差,且正交投影能較好地消除輸入樣本特征之間的相關性,快速有效得到輸出權值向量,從而提高負荷預測精度。以我國某省電動汽車用電領域的負荷數據作為標準樣本進行仿真,仿真實驗驗證了該算法的可行性和有效性,與支持向量機(SVM)和傳統RBF-ELM相比,該算法的預測精度高、泛化能力強,具有廣泛的實用性。