基于改进核极限学习机的短期负荷预测全网模型设计

摘要

为了更好地实现对电力系统子网负荷的快速、准确预测,设计了一种通过优化核极限学习机实现的预测模型,同时建立了Cholesky分解的核极限学习机以及短期负荷预测模型.分析了隐含层中的神经元个数引起的模型泛化性差异性,发现在神经元数量为25个时误差达到最低.结果 表明,按照聚类方式获得的改进Kernel极限学习机(KELM)模型表现出更强拟合性能.采用聚类方式的组合预测模型具备可靠性,通过聚类方法选取最佳训练样本能够显著降低模型预测误差.改进KELM模型总共进行了5次聚类,改进KELM方法计算短期负荷准确率均在97％以上,满足设计要求.该研究为后续的全网负荷预测起到一定的理论支撑作用.