基于改进遗传算法优化极限学习机的短期电力负荷预测

被引：16

作者：

律方成 ^{[1
]}

刘怡 ^{[1
]}

亓彦珣 ^{[1
]}

燕跃豪 ^{[2
]}

张建涛 ^{[1
]}

谢庆 ^{[1
]}

机构：

[1] 华北电力大学新能源电力系统国家重点实验室

[2] 河南省郑州市供电公司

来源：

华北电力大学学报(自然科学版) | 2018年 / 45卷 / 06期

基金：

中央高校基本科研业务费专项资金资助;

关键词：

极限学习机; 改进遗传算法; BP算法; 负荷预测; 短期;

D O I：

暂无

中图分类号：

TM715 [电力系统规划];

学科分类号：

摘要：

负荷预测效果直接影响电网的安全稳定和经济效益,是电网调度的重要组成内容。针对极限学习机随机产生输入层权值和隐含层阈值导致网络模型不稳定的问题,提出了一种基于改进遗传算法优化极限学习机的负荷预测方法。利用爬山法改进的遗传算法对极限学习机的权值和阈值进行优化,以获得稳定性强,预测精度高的优化模型。并将此模型与BP网络、极限学习机的预测结果进行对比,仿真实验结果表明,改进模型具有较快的训练速度和更为准确的预测结果,适应于影响因素众多,数据量巨大的现代短期电力负荷预测。

引用

页码：1 / 7

页数：7

共 15 条

[1]

An ensemble approach for short-term load forecasting by extreme learning machine.[J].Song Li;Lalit Goel;Peng Wang.Applied Energy.2016,

[2]

A Short-Term Power Load Forecasting Method Based on BP Neural Network.[J].Jie Jin;Fu Ming Qin;Wei Zhou;Wen Liang Li.Applied Mechanics and Materials.2014, 494

[3]

Short Term Load Forecasting Based on Improved RBF Neural Network.[J].Kazuo Saito;Muhammad Taufiq Bin Abdullah Khir;Tran Nam Son;Wei Hua Jiang.Advanced Materials Research.2014, 860

[4] 基于深度信念网络的短期负荷预测方法 [J].