超短期电力负荷预测的多模型极限学习算法

摘要

随着对电能质量要求的提高以及各项技术的发展，智能电网应运而生。它具有不同于传统电网的清洁性、安全性以及交互性，在一定程度上改变了电力系统的运行方式和供需关系。特别是，由于实时交互性的要求，需要信息在供电侧与消费侧实时、高速、双向的传输，从而赋予了智能电网下电力负荷预测新的特点。
　　本文首先分析了电力负荷的分类与特点，并阐述了现今超短期电力负荷预测方法的发展，同时对智能电网中负荷预测的意义进行综述，根据其特点——实时性要求，提出了一种基于挂起准则多模型集总极限学习算法的超短期电力负荷预测方法。这种方法在训练过程中无需迭代学习即可确定网络参数，从而节省了训练时间，提高了预测的快速性。在此基础上，又提出了基于更新准则多模型集总极限学习算法，针对由于初始权重矩阵随机选定，给预测结果带来波动的问题，采用多模型的策略，以降低波动；再利用各子模型输出误差的不同设定更新准则，对多个子模型进行分类，进而采取不同的处理方法。最后，针对上述两种方法对于负荷快速变化和平缓变化的预测精度不同的特点，提出基于切换准则多模型加权极限学习算法。进一步提高了预测精度。实验证明这种方法无论是在速度还是精度上都有了很大程度的提高，将其应用于智能电网的超短期电力负荷预测，速度和精度都符合工程实际。

目录

封面

中文摘要

英文摘要

目录

第一章 绪论

1.1 电力负荷预测概述

1.2 国内外研究现状与发展

1.3 基于神经网络的超短期电力负荷预测

1.4 本文主要工作

第二章 基于挂起准则多模型集总极限学习算法

2.1 极限学习算法

2.2 基于挂起准则的多模型集总极限学习算法

2.3 仿真研究

2.4 本章小结

第三章 基于更新准则多模型集总极限学习算法

3.1 基于更新准则的多模型集总极限学习算法实现流程

3.2 更新准则

3.3 即时更新模型

3.4 批次更新模型

3.5 挂起模型

3.6 多模型集总输出

3.7 应用研究

3.8 本章小结

第四章 基于切换准则多模型加权极限学习算法

4.1切换准则多模型加权实现流程

4.2 切换准则的选取

4.3 多模型加权输出

4.4 应用研究

4.5 本章小结

第五章 结论与展望

5.1 结论

5.2 展望

参考文献

致谢

攻读硕士学位期间发表的论文

声明