基于极限学习机的短期电力负荷预测

研究电力负荷预测准确性问题,由于电力负荷与天气、经济、假期等多种因素密切相关,变化规律具有周期性和随机性,传统方法无法描述其变化规律,导致电力负荷预测精度低。为了提高电力负荷预测精度,提出一种基于时间序列编码的相似日选择和极限学习机(ELM)相结合的电力负荷预测方法。基于时间序列编码的相似日选择方法在每个编码点中融入了整个序列的信息,不仅可以描述出序列的趋势,还可以描述出节点在序列中的相对位置。采用ELM进行预测,只需要设置网络的隐层节点个数。在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解。以某建筑电网的电力负荷数据进行仿真。并将上述方法与支持向量机(SVM)和BP神经网络进行对比。实验结果表明,改进方法具有较高的预测精度和较强的适应性,并且运行时间较短。