关键词： 电力系统   极限学习机   经验分解法   神经网络   泛化性能  

摘要： 电力负荷预测问题一直是电力系统调度、运行和规划的重要研究内容，电力负荷预测方法各有特点，针对不同的气象条件、负荷基础、负荷发展阶段等的负荷预测方法更是理论及工程的迫切需求。本文将极限学习机以及经验模式与极限学习机组合的两种方法应用于电力系统短期负荷预测中，并对湖南某市的实际负荷进行预测。　　 分析负荷变化的周期性、连续性和波动性等典型特点是负荷预测的前提和基础，其中周期性变化规律主要体现为年周期性、周周期性和日周期性等，且受到多种因素的影响。影响负荷变化的因素中，气象因素和日期类型对短期负荷的影响尤为明显。根据影响因素的不同，负荷可以由典型负荷分量，气象敏感负荷分量，异常或特殊事件负荷分量和随机负荷分量构成。为了使样本数据符合计算要求，剔除坏数据以及冗余数据的干扰，防止计算溢出，同时提高负荷预测的精度需对样本数据进行预处理。　　 极限学习机是一种新型的单隐层前馈神经网络，将其引入电力系统，并利用其预测功能应用到短期负荷预测中。分析与研究极限学习机算法原理以及其学习训练方法，其具有结构简单、学习速度快、泛化性能良好、全局最优等特点，能快速、准确地预测负荷值。以湖南C市为仿真算例，结果表明在于短期负荷预测的预测精度和运算时间方面，极限学习机较BP神经网络方法具有其独特的优势。　　 气象、日期等负荷的影响因素主要影响典气象敏感负荷分量以及型负荷分量中的周期分量，相关性较高，而对典型负荷分量中趋势分量的相关性相对较小。为准确反映气象、日期与气象敏感负荷分量以及典型分量中周期分量的非线性关系，提高负荷预测的精准度，引入经验模式分解，将趋势分量从负荷中分解出来。采用多项式拟合预测趋势分量，采用极限学习机预测其它负荷分量，后重新叠加组合得到预测负荷值。以湖南C市为仿真算例，结果表明经验模式分解和极限学习机应用于短期电力负荷组合预测是可行的，有着较高的预测准确度和预测速度，能较好地反映负荷的变化趋势，并具有良好的自适应性。

关键词： 电力负荷   预测精度   极限学习机   时间序列编码   优化算法  

摘要： 电力负荷预测是电力系统的重要组成部分。短期电力负荷预测指的是对办公楼、工厂或学校未来一天到几个月的负荷进行预测。短期电力负荷预测是电力系统调度以及计划部门制定购电计划,乃至合理安排运作方式的基础。其预测精度的高低可以影响电力系统运行的经济性、安全性以及供电质量。所以,短期电力负荷预测模型的探索一直受到人们的重视。　　由于电力负荷与气候、经济以及时间等因素的联系是十分紧密的,并且进行周期性的波动,以往的方法不能描述其变化规律,造成电力负荷的预测精度较低。为了提高电力负荷预测精度,以某建筑电网的负荷数据为研究对象,对电力负荷曲线的变化规律进行深入分析。在此研究基础上,采用极限学习机(Extreme Learning Machine, ELM)对电力负荷进行预测。本文的主要工作内容如下:　　(1)提出了基于时间序列编码的相似日选择和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,还可以描述出该点在序列中的相对位置。采用ELM进行预测,只需对神经网络中隐层神经元的数目进行设置,在运行流程中网络的输入权值和隐层神经元的偏置都保持不变,而且只生成一个最优解。以某建筑电网的电力负荷数据进行仿真,并将该方法与支持向量机(SVM)和BP神经网络进行对比。实验结果表明该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。　　(2)提出了基于Adaboost的ELM电力负荷预测方法。该方法首先初始化训练样本的分布权值,采用ELM当作弱预测器对训练样本进行重复训练并且对权值进行更新,最终将获得的多个ELM弱预测器采用Adaboost算法构建一个新的强预测器。采用遗传算法(Genetic Algorithm, GA)对Adaboost算法的参数进行优化。Adaboost算法克服了ELM的过拟合特性,同时又增强了ELM的泛化能力和适应性。通过实例仿真,将该方法与ELM进行对比,实验结果表明基于Adaboost的ELM比ELM具有更高的预测精度和更好的泛化能力。

关键词： 短期负荷预测   极限学习机   结构风险   最小二乘支持向量机  

摘要： 为了提高电力系统短期负荷预测精度,提出一种基于改进极限学习机(MELM)的短期电力负荷预测模型。引入基于结构风险最小化理论,并结合最小二乘向量机回归学习方法,以克服传统极限学习机(ELM)在短期负荷预测中存在的过拟合问题。某地区用电负荷预测结果表明,改进模型的泛化性与预测精度均优于传统ELM和OS-ELM模型,可为短期电力负荷预测提供有效依据,具有一定的实用性。

关键词： 风力发电   功率预测   小波分解   多模型   极限学习机  

摘要： 风能作为可再生绿色能源已经得到世界各国的广泛应用。由于风具有很强的随机性和不稳定性,导致风电的波动剧烈,给电网的安全稳定运行提出了挑战。本文根据风电的强随机性特点和BP网络预测精度低的缺点,提出了基于小波分解和多模型极限学习机的风电功率预测模型。通过小波分解将风电功率时间序列分解为不同频段的子序列,对各个子序列进行分析,在一定程度上弱化了风电的强随机性。再用多模型极限学习机分别对子序列建立模型,对于每一个子序列再利用设定的挂起准则将建立的子序列的模型分为两部分;对于误差小的挂起模型,无需随机方式进行在线更新,用以降低模型的误差波动;对于误差大的更新模型,采用随机方式进行在线更新。可以进一步弱化风电的强随机性。最后将各个子序列的预测结果重构。对内蒙古某风电场的风电功率预测结果表明,本文提出的方法与其他方法相比,具有更高的预测精度。

关键词： 极限学习机   多变量时间序列   混沌序列预测   复合混沌优化  

摘要： 基于优化极限学习机理论,提出一种多变量混沌时间序列预测方法.该方法利用复合混沌和混沌变尺度算法对极限学习机的模型参数进行搜索和优化,以提高极限学习机的泛化性能;然后利用优化后的极限学习机对Rossler耦合系统的多变量混沌时序进行一步和多步预测,并且与同类算法进行了比较,结果表明了该方法的有效性,且算法具有较强的抗噪能力;最后讨论了预测结果和隐层神经元数目的关系.

关键词： 智能电网   负荷预测   超短期   极限学习算法   多模型  

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。

关键词： 中长期电力负荷预测   极限学习机   神经网络  

摘要： 根据神经网络的非线性辨识能力和极限学习机(ELM)的高计算速度、高泛化能力等特点,提出一种批处理和逐次迭代相结合的改进极限学习机方法。实验结果表明,改进的极限学习机方法应用于中长期的电力负荷预测中,比传统的极限学习机效果更优。

关键词： 极限学习机   前馈神经网络   渗透率   支持向量机   预测模型  

摘要： 极限学习机ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数,并且很容易产生局部最优解。极限学习机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,因此具有学习速度快且泛化性能好的优点。本文将极限学习机引入到储层渗透率的预测中,通过对比支持向量机,分析其在储层渗透率预测中的可行性和优势。实验结果表明,极限学习机与支持向量机有近似的预测精度,但在参数选择以及学习速度上极限学习机具有明显的优势。

关键词： 模范事迹   先进事迹   预测预报   测报  

摘要： 11月3日上午10—11时,陕西省千阳县崔家头乡段家崖村阎家阴坡村民组所在地,发生了一次黄土大滑坡。滑坡面积600多亩,300多亩麦田被毁。滑坡发生时,乡亲们正在吃早饭(当地吃两歺),只有几个小孩在危险区玩,不幸死亡3人,伤1人。