【技术实现步骤摘要】
本专利技术属于电力系统短期负^fS测的;^法，具#^及一种基于6 4极端学习机理论的电力系统短期 负荷预测模型。
技术介绍
对于电力系统短期负^f员测的模型，国内夕卜学者作了大量研究，其主要模型有基于时间序列、回归分析的传统预测模型；基于AX神经网络、小波分析、专家系统等AX智能理论的现代预测模型。 基于时间序列法的短期负荷预测模型是将负荷变化处,一个随时间变化的序列，找出历史负荷数据序列中的变化规律，然后将它外ffi^行负綱测。常用的模型有自回归模型、移动平均模型、自回归移动平,型和累积式自回归移动平均模型等，在这类预测模型中，如何正确 型种类和确定其中的参数是非常重要和比较困难的。回归分棚测模型是假定待预测负荷同一个或多个影响因素存在相关关系并寻找两者间相关关系的方法，预测模型目前大多采用多^性回归模型，对^^模型输入变量的选取是该方法成功的关键，并且M模型具有很好的可解释性。传统》法的主要缺点在于，鹏方法多驗性,，船隹描述负荷和影响因素之间的非线性关系；而且模型过于僵硬，缺乏灵活性，翻参敬隹以及时、准确的估计和调整，限制了预测精度的提高。小波分析是20...
【技术保护点】
基于改进极端学习机网络的电力系统短期负荷预测方法，其特征在于： １）读取历史样本数据：读取电力部门提供的待预测日前２年的负荷数据、星期类型及温度数据为历史样本数据； ２）历史样本中负荷、温度数据归一化处理： 负荷数据的归一 化处理 设ｘ↓［ｔ］、ｙ↓［ｔ］分别为预测网络输入、输出归一化负荷值，则 ＊＊＊，ｔ＝１，２，…，２４ （４－７） ＊＊＊，ｔ＝１，２，…，２４ （４－８） 其中，Ｐ↓［ｔｍａｘ］和Ｐ↓［ｔｍｉｎ］分别为全部样本 中在ｔ时刻负荷的最大值和最小值，Ｐ↓［ｄｔ］为时刻ｔ输...
【技术特征摘要】
1、基于改进极端学习机网络的电力系统短期负荷预测方法，其特征在于1)读取历史样本数据读取电力部门提供的待预测日前2年的负荷数据、星期类型及温度数据为历史样本数据；2)历史样本中负荷、温度数据归一化处理负荷数据的归一化处理设xt、yt分别为预测网络输入、输出归一化负荷值，则其中，Ptmax和Ptmin分别为全部样本中在t时刻负荷的最大值和最小值，Pdt为时刻t输入真实负荷值，Pd′t为时刻t输出真实负荷值；温度数据的归一化处理式中CoeT为温度归一化常数取30℃；Td为d日实际温度值，为归一化后的温度值；3)形成t时刻训练样本集考虑对负荷影响较大的温度信息，其样本的输入变量主要由四部分组成负荷变量、温度变量、日期变量和节假日变量；负荷变量采用预测点两天前及七天前的相同时刻及其前后两个时刻的平均负荷，共16个变量组成负荷输入变量用于预测该时刻各采样点负荷，即要预测第d+1天第T小时的负荷Ld+1，4×T-i，i＝0，1，2，3，其输入变量中的负荷变量包括Ld-1，4×T-i，Ld-6，4×T-i(i＝0，1，2，3)，Ld-1，T-1，Ld-1，T-2，Ld-1，T+1，<overscore>L</overscore>d-1，T+2，<overscore>L</overscore>d-6，T-1，<overscore>L</overscore>d-6，T-2，<overscore>L</overscore>d-6，T+1，<overscore>L</overscore>d-6，T+2；温度变量采用预测样本日前两天的温度信息即日最高、最低和平均温度作为样本的温度输入变量；日期变量采用一个七维脉冲二进制量来表示待预测日星期类型，即采样点为星期几则在七位二进制中第几位则为1，其余各位取0；节假日变量节假日信息用一个二进制量来表示，若待预测日为节假日，该量为1，若不为节假日，令该量为0；输出变量T时刻一小时的四个点负荷值；4)初始化等维ELM网络左侧权值与各神经元域值等维ELM网络左侧权值及神经元域值采用0～1均匀分布随机数；注等维ELM网络即隐节点个数等于输入变量维数的ELM网络；5)基于BFGS的迭代-解析算法对t时刻等维ELM网络进行训练改进极端学习机网络的实际训练目标是寻求未知网络参数，使得预测网络...
【专利技术属性】
技术研发人员：赵登福，程松，闫建伟，周文华，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：87[中国|西安]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。