一种基于GA-ELM算法的电采暖负荷预测方法技术

本发明专利技术公开了一种基于GA‑ELM算法的电采暖负荷预测方法，包括综合考虑利用负荷的波动及相关因素的扰动，选取预测网络模型输入输出量；基于遗传算法优化极限学习机的算法，获取预测输出值；利用预测输出值和实际值的百分误差PE和平均绝对值百分误差MAPE两个指标来检验预测的效果，获取预测误差值，验证预测输出值准确性；通过使用遗传算法对预先设定的极限学习机的随机变量进行了多次修改，从而改善了模型在特定场景下的拟合能力；最后，通过MATLAB利用搜集的供暖负荷数据及相关影响因素进行实验验证，并与BP网络、ELM网络预测结果对比分析，验证本方法在短期负荷预测方面学习速度快，能够获得较高的预测精度、具有较强的网络稳定性和泛化性能。

【技术实现步骤摘要】

本专利技术涉及能源利用，特别涉及一种基于ga-elm算法的电采暖负荷预测方法。

技术介绍

1、目前大部分的神经网络都是通过梯度下降的学习方法来进行训练，但由于其具有不确定的学习效率，容易陷入局部最优化，从而导致了在训练时产生较大的预测误差。

2、因此，现有技术还有待改进和提高。

技术实现思路

1、鉴于上述现有技术的不足之处，本专利技术的目的在于提供一种基于ga-elm算法的电采暖负荷预测方法，旨在解决目前大部分的神经网络都是通过梯度下降的学习方法来进行训练，但由于其具有不确定的学习效率，容易陷入局部最优化，从而导致了在训练时产生较大的预测误差的问题。

2、为了达到上述目的，本专利技术采取了以下技术方案：

3、第一方面，一种基于ga-elm算法的电采暖负荷预测方法，其特征在于，包括：

4、步骤一、综合考虑利用负荷的波动及相关因素的扰动，根据历史负荷数据，选取预测网络模型输入输出量；

5、步骤二、根据预测网络模型输入输出量，基于遗传算法优化极限学习机的算本文档来自技高网...

【技术保护点】

1.一种基于GA-ELM算法的电采暖负荷预测方法，其特征在于，包括：

2.根据权利要求1所述的基于GA-ELM算法的电采暖负荷预测方法，其特征在于，所述综合考虑利用负荷的波动及相关因素的扰动，根据历史负荷数据，选取预测网络模型输入输出量包括：

3.根据权利要求1所述的基于GA-ELM算法的电采暖负荷预测方法，其特征在于，所述遗传算法优化极限学习机的算法包括：

4.根据权利要求1所述的基于GA-ELM算法的电采暖负荷预测方法，其特征在于，所述利用预测输出值和实际值的百分误差PE和平均绝对值百分误差MAPE两个指标来检验预测的效果，获取预测误差值，验证预测...

【技术特征摘要】

1.一种基于ga-elm算法的电采暖负荷预测方法，其特征在于，包括：

2.根据权利要求1所述的基于ga-elm算法的电采暖负荷预测方法，其特征在于，所述综合考虑利用负荷的波动及相关因素的扰动，根据历史负荷数据，选取预测网络模型输入输出量包括：

3.根据权利要求1所述的基于ga-elm算法的电采暖负荷预测方法，其特征在于，所述遗传算法优化极限学习机的算法包括：

4.根据权利要求1所述的基于ga-elm算法的电采暖负荷预测方法，其特征在于，所述利用预测输出值和实际值的百分误差pe和平均绝对值百分误差mape两个指标来检验预测的效果，...

【专利技术属性】
技术研发人员：袁鹏，赵清松，金英，张庭齐，刘刚，王淼，周郦，牛明，程基峰，任康，马润，
申请(专利权)人：国网辽宁省电力有限公司电力科学研究院，
类型：发明
国别省市：