首页|基于特征选择和优化极限学习机的短期电力负荷预测

基于特征选择和优化极限学习机的短期电力负荷预测

Short-Term Power Load Forecasting Based on Feature Selection and Optimized Extreme Learning Machine

扫码查看
原文链接
  • NETL
  • NSTL
  • 维普
  • 万方数据
针对负荷预测过程中特征量难以确定以及极限学习机(ELM)存在因随机产生的初始权值和阈值导致输出稳定性低的问题,提出了基于格拉姆施密特正交化与皮尔逊相关性分析相结合的特征选择方法(GSO-PCA)和改进灰狼算法(IGWO)优化ELM的短期电力负荷预测模型(IGWO-ELM).对两种不同类型的特征分别使用GSO算法和PCA进行优选,并根据平均绝对百分比误差(MAPE)确定最优特征集,与传统的经验特征选择、最大互信息系数特征选择、随机森林特征选择比较,GSO-PCA特征选择的MAPE分别降低了1.3％、0.55％和0.83％,验证了其优越性;将Tent混沌映射和粒子群优化算法(PSO)融入到灰狼优化算法中,得到IGWO,并利用两种典型的测试函数对IGWO性能进行测试,证明了其具有更强的寻优能力;使用IGWO算法对ELM的初始权值和阈值进行动态优化,建立IGWO-ELM短期负荷预测模型.将拟合优度检验系数、平均绝对误差、均方根误差和MAPE作为评价指标,结合实例分析,与传统的模型进行比较.仿真结果表明:所提预测模型得到的4个评价指标分别为0.9978、54.90 kW、72.02 kW和1.52％,明显优于其他模型,验证了所提模型的有效性和优越性.

商立群、李洪波、侯亚东、黄辰浩、张建涛

展开 >

西安科技大学电气与控制工程学院,710054,西安

短期电力负荷预测 极限学习机 灰狼优化算法 粒子群优化算法 Tent混沌映射 格拉姆

陕西省自然科学基础研究计划

2021JM-393

2022

10.7652/xjtuxb202204018

西安交通大学学报
西安交通大学

西安交通大学学报

CSTPCDCSCD北大核心
影响因子：0.914
ISSN：0253-987X
年,卷(期)：2022.56(4)
  • 19
  • 12