基于改进k-means和DE-ELM的配电网负荷预测研究

为了提高供电可靠性及负荷供需均衡稳定性,高精度的电力负荷预测结果显得十分重要,为此提出了基于改进kmeans和差分进化极限学习机(DE-ELM)算法的配电网负荷预测研究。为了提高传统k-means算法初始聚类中心的科学性,采用密度值优化方法优化聚类数目,确定最优聚类类别。为了提升电力负荷预测精度,提出了采用差分进化算法优化传统极限学习机(ELM)的初始权值和阈值,获得最优的网络模型,以提高神经元敏感度,从而提升预测精度。通过算例仿真实验,采用改进的k-means算法对电力用户进行分类,获得4类电力用户,分别采用DE-ELM和ELM算法对4类电力用户用电负荷进行预测,预测结果显示DE-ELM具有更准确的预测效果,验证了所提方法的可靠性。