基于极限学习机的电力短期负荷预测

•

基于极限学习机的电力短期负荷预测

本文首先对人工神经网络中摘 的单隐含前馈神经网络和极限学 要习机(ELM)的基本原理和理论进行了概述，然后将极限学习机算法与粒子群算法结合，利用粒子群优化算法(PSO)对极限学习机的参数进行优化，将PSO和ELM的优点结合在一起，使其具备参数调整简单、可以在全局范围寻优、泛化能力强等特点，最后使用基于粒子群算法优化极限学习机的预测模型，在具体数据中进行算例分析，确定预测模型的可行性。【关键词】短期负荷预测 神经网络 极限学习机 粒子群

1 引言

负荷预测是电力系统经济调度中的一项重要内容，是能量管理系统(EMS)的一个重要模块。电力系统短期负荷预测是目前电网调度、制定发电计划及电厂报价的主要依据，对电力系统的运行、控制等有着重要的影响。准确的负荷预测对保持电网的安全稳定运行、降低发电成本、提高电力系统的经济效益和社会效益至关重要。本文针对电力系统短期负荷预测问题，通过结合极限学习机和粒子群算法，设计了一种简单、高效的新型短期负荷预测算法。

2 PSO-ELM介绍及设计

2.1 极限学习机简介及设计

极限学习机（ELM）是由Huang.G.B等提出的，具有收敛速度快、泛化能力强等优点，在高度非线性建模中得到了广泛的应用。ELM是一种新型的快速学习算法，对于单隐含层神经网络，ELM可以随机初始化输入权值和偏置并得到相应的输出权值。对于一个单隐层神经网络，假设有N个任意的样本（xj，tj），其中：

对于一个有L个隐层节点的单隐层神经网络可以表示为：

其中，g(x)为激活函数，

为输入权重，βi为输出权

文/汪威为 陈超洋 陈祖国 卢明

重，bi是第i个隐层单元的偏置。（xj，tj）表

表1：试验模型预测误差对比示训练样本。极限学习机能无限逼近学习样本，即神经网络学习的目标是使得输出的误差试验模型

仿真误差决定系数PSO-ELM4513.66850.8021最小，可以表示为：

ELM

122202.83

0.4022

Step1: 初始化。初始化粒子群参数，设定即存在W，β和b使得：

极限学习机学习参数。

Step2: 计算。根据粒子信息值，以及样本

数据进行计算，经极限学习机得预测值。依据可以用矩阵表示为：Hβ=T。其中，H是得到的预测值，计算出适应度值，同时记忆群隐层节点的输出，β为输出权重，T为期望输出。

体和个体各自所适应的最佳位置和。

Step3: 算法优化。将 Step2 中得到的适应

度值与全局最优解比较，更新适应度函数及其对应的权值和阈值。

Step4: 迭代更新。将粒子群算法优化的参

数返回给极限学习机。

为了能够训练单隐层神经网络，我们希Step5: 判断。判断终止条件是否满足，若望得到，和，使得：

满足则直接终止循环，否则返回 Step2。

3 实例验证

这等价于最小化损失函数：

3.1 优化前后的ELM模型的比较

选用2003年3月1日至2003年9月25日，由于极限学习机的隐含层节点输入权值共5000组数据进行测试。PSO-ELM算法参数，和阈值为随机取值，为了克服取值随机性带来最大迭代次数为250，种群大小为120，输入的误差，提高模型的泛化能力，利用改进的粒层节点数为2，隐含层节点数为5，输出层节子群算法（PSO）对隐含层节点输入权值和阈点数为1，权值范围为0.3~0.9，惯性因子、值进行全局寻优。

学习因子分别为2.8和1.3。算法运行2502.2 粒子群算法优化极限学习机介绍及设计

次后的结果如图1所示。

通过图1及表1试验模型预测误差对比，粒子群算法近年来受到了极大的关注和可知PSO-ELM优化模型测试样本的仿真误差研究，并取得了丰硕的成果。不同于以往的研为：43933.2795，ELM模型测试样本的仿真究，本文基于粒子群算法对极限学习机参数进误差为：128327.3217；PSO-ELM优化模型的行优化，结合两者优点，并设计相应的优化算决定系数R2为0.8125，ELM模型的决定系数法，具体如下。

R2为0.27455 PSO-ELM优化模型的预测效果极限学习机的隐含层节点输入权值和阈要明显优于ELM原始模型的预测效果。

值为随机取值，随机取值可能使部分输入值为将极限学习机用户电力负荷预测中，为0或近似为0，从而使部分隐含层节点失效，客服极限学习机因隐含层输入权值与阈值随机因此需使用参数设定其范围，同时为了保证粒取值带来的误差，利用改进的粒子群算法对其子的活性和跳出局部最优，对粒子群算法进进行最优寻值。最后的实例结果表明，PSO-行改进。首先确定粒子群算法参数，包括种群ELM模型与算法不仅可行、有效，而且具有大小、最大迭代次数、学习因子等；其次确定较强的学习能力。在验证优化后的预测模型性适应度函数，一般取训练样本与模型拟合值的能后，进一步将其与常用的BP神经网络性能均方差为适应度函数；初始化种群，种群中的做分析比较。

每一个粒子代表一个解，每个粒子包含输入权

值矩阵和阈值向量信息；然后更新种群，根据3.2 与BP神经网络模型的比较

改进后的粒子群算法对粒子位置和速度进行更Bp程序设计如下：

新，若粒子处于停滞状态，则对粒子位置和速本例数据是每小时一组数据，将每天24度进行初始化；然后再更新粒子历史最优值和小时所测数据看做整体进行数据的输入，由于全局最优值；最后满足迭代结束条件时停止迭输入包括时间、负荷以及温度三个变量，所以代，输出预测结果。模型总步骤如下：

输入层节点数为：24*3=72个。想要的输出是Electronic Technology & Software Engineering 电子技术与软件工程• 223

电力电子

• Power Electronics

图1：PSO-ELM模型误差曲线

下一天的电力负荷,，所以输出层节点数是1个,隐藏层设计为二层，第一层3个节点，第二层4个节点.其余参数设计如下：最大训练次数为100，训练精度要求为0.0005。与BP神经网络的预测效果比较图如图2所示。

图2为预测值与真实值的误差曲线曲，可以体现真实值与预测值之间的误差情况，通过对比可以看出，PSO-ELM预测值的误差要明显低于BP神经网络所预测的值，且PSO-ELM预测值误差的波动范围较小，进一步验证了PSO-ELM模型对电力负荷的预测性能。

参考文献

[1]李元诚,方廷健,于尔铿.短期负荷预测

的支持向量机方法研究[J].中国电机工程学报,2003,23(06):55-59.

[2]Harris T.Comparative Models for

Electrical Load Forecasting. Technometrics,1986,28(4):403-404.

[3]Senjyu T,Takara H,Uezato K,et al.One-hour-ahead load forecasting using neural network.IEEE Transactions on power systems,2002,17(1):113-118.[4]Elattar E E,Goulermas J,Wu Q

H.Electric Load Forecasting Based on Locally Weighted Support Vector Regression. IEEE Transactions on Systems Man & Cybernetics Part C, 2010, 40(4): 438-447.

[5]陆宁,周建中,何耀耀.粒子群优化的神

经网络模型在短期负荷预测中的应用[J].电力系统保护与控制,2010,38(12):65-68.

图2：误差比较

[6]陆宁,武本令,刘颖.基于自适应粒子群

优化的SVM模型在负荷预测中的应用[J].电力系统保护与控制,2011,39(15):43-46.

[7]Li Y, Fang T, Yu E. Study of support

vector machines for short-term load forecasting. Proceedings of the Csee, 2003,5:6-659.

[8]蒋强,肖建,王万岗等.基于综合自适应

滤波器的在线短期负荷预测[J].电力系统保护与控制,2011,39(10):97-103.[9]Huang G B, Zhu Q Y, Siew C K.Extreme

learning machine: Theory and applications.Neurocomputing, 2006,70(1):4-501.

[10]周潮,邢文洋,李宇龙.电力系统负荷预

测方法综述[J].电源学报,2012(06):32-39.

作者简介

汪威为(1994-)，男，湖南省益阳市人。在读硕士。主要研究方向为电力负荷预测、智能电网。

通讯作者简介

陈超洋(1984-)，男，湖南省湘潭市人。博士学历。副教授。主要研究方向为智能电网、网络系统、非线性控制。

陈祖国(1990-)，男，湖南省怀化市人。博士学历。讲师。主要研究方向为大数据分析与处理，知识自动化。

卢明(1979-)，男，湖南省湘潭市人。博士学历。副教授。主要研究方向为图像处理、泡沫浮选。

作者单位

湖南科技大学信息与电气工程学院 湖南省湘潭市 411201

224 •电子技术与软件工程󰀡󰀡Electronic Technology & Software Engineering