SOM特征提取与ELM在电力负荷预测中的应用.pdfVIP

第 31卷第 5期 电 力 科 学 与 工 程 Vo1．31．No．5 2015年 5月 ElectricPowerScienceandEngineering May，2015 SOM 特征提取与 ELM 在 电力负荷预测中的应用 马立新 ，尹晶晶，郑晓栋 (上海理工大学 光电信息与计算机工程学院，上海 200093) 摘要 ：随着 电力负荷 内涵复杂度和非线性增加 ，单纯追求 电力负荷预测精度将变得 困难 。研究根据负荷 样本分析其趋势、抽取特征来解决预测精度 问题 ，即提 出一种基于 自组织特征映射 网络 (SOM)进行特 征提取并与极限学习机 (ELM)相结合的短期 电力负荷预测方法。通过 SOM特征提取找 出与预测 日同类 型的历史数据作为训练样本 ；然后采用ELM进行预测，该方法预测过程简捷 ，能得到唯一 的最优解 。实 验 以某市的电力负荷数据进行仿真和 比较 。结果表 明，基于 SOM特征提取的ELM方法不仅精简了训练 样本数量 ，且使训练更具有针对性，提 高了预测精度和泛化性能，具有一定的理论意义和较好 的应用 前景 。 关键词 ： 自组织特征映射 ；特征提取 ；极限学习机 ；短期负荷预测 中图分类号 ：TM715 文献标识码 ：A DOI：10．3969／j．issn．1672—0792．2015．05．001 进行 特征提 取 ，根 据输入 向量 的分组进行 学 习和 0 引言 分类 ，能够 自动找 出输人数 据 间 的相似 度 ，将 相 似 的输入在 网络 上就近 配置 ；该 算法 能较好地 解 电力系统负荷 预测 是供 电部 门的重要 工 作之 决有 关提 取 相 似 样 本 算 法 在 电力 负荷 预 测 中 的 一 ， 对 电力 系统 安全 及 经 济 运 行 有 着 重 要 的意 不 足 。 义 …。电力负荷 的变化 过程 是极 其 复杂 的，很 多 文 献 [5] 将 极 限 学 习 机 ELM (Extreme 不确定 的因素都 会 引起 负荷 的波 动 ，这些 都对 预 LearningMachine) 引入 电力 负荷 预测 。ELM 只需 测造成 了困难 ；但 负荷 变化 又具 有规 律性 的周期 要设置 网络 的隐含 层节 点个 数 ，在 算法 执行 过程 变化 特征 ，如 电力 负荷季 节性 轮 流变 化 、工 作 日 中不需要调整 网络 的输入 层与 隐含 层之 间 的连接 与双休 日的规律变化等 。 权值 以及 隐含 层神 经元 的 阈值 ，便 可 以得 到 唯一 文献 [2]深 入 研 究 了负荷 的两 个 特 征 量 ， 的最优解 ’。该 预测算法简单 ，计 算速 度快 ，且 对 预测 日的负荷水平和负荷 曲线形状进 行预测 时 ， 预测精度 在 传统神 经 网络 基 础 上有 一 定 的提 高。 选取 不 同的相似 日，即趋势相似 日和形 状相似 日。 但是 ，ELM无法准确 反映 负荷样 本特 征 以及 样本 此方法 有利于提高预测 的准确度 ，但计 算量较 大。 问的相似关 系 。 文献 [3]建 立相 似 度 量 化模 型 ，计 算气 象 相 似 本文 将 SOM 网络 作 为 负 荷 数 据 预处 理 的工 度兼 量 化 时 问相 似 度 ，二者 乘 积 作 为 总体 相 似 具 ，并结合 ELM 算法 提 出一 种基 于 SOM 进 行 负 度 ，依此选 取若 干相似 日。该 提取相 似样本 的方 荷特征提取 ，以 ELM对 特征序列 进行训 练预测 的 法 较 复杂 。文献 [4] 采用 特 征提 取 的 方法 来 预 短期 负荷 预 测模 型 ，简 称 为 SOM—