基于Kohonen聚类小波包分解和ELM短期电力负荷预测.docVIP

基于Kohonen聚类小波包分解和ELM短期电力负荷预测 　　摘 要 提出基于Kohonen聚类、小波包分解和极限学习机的短期电力负荷组合预测方法.考虑到电力负荷具有一定周期相似性，经过Kohonen神经网络的聚类分析能确定与待预测日具有类似特性的负荷相似日；利用双正交小波对负荷数据进行分解，得到不同的频率分量分别送入ELM网络进行预测；最后将所得的不同频带中的待预测负荷分量组合，即为最终负荷预测值.经仿真实验表明，较传统单一的神经网络算法，该方法在预测精度和运算时间等方面均颇有提升，具有一定的实用性. 　　关键词 短期负荷预测；小波包分解；Kohonen聚类；极限学习机 　　中图分类号 TM714 文献标识码 A 文章编号2016 　　ShortTerm Load Forecasting Based on Kohonen Clustering， 　　Wavelet Packet Analysis and ELM Method 　　HUANG Yuanyu*， MAO Yi， LOU Ningna 　　（College of Electrical and Information Engineering， Hunan University， Changsha 410082， China） 　　Abstract A new algorithm for shortterm load forecasting based on Kohonen clustering， wavelet packet analysis and extreme learning machine（ELM） is proposed. Considering the characteristics of cyclical similarity in power load series， the method choose the days similar with the days to be predicted by Kohonen clustering. The biorthogonal wavelet is applied to decompose the power load series into subsequences at different frequencies. Then， the subsequences are sent to ELM network to do the prediction. Finally， the forecasted load is the superposition of all the forecasting results of each subsequence. The practical example shows that， compared with traditional single neural network， this combinatorial method has a large improvement in prediction accuracy and operation time and has a certain practicality. 　　Key words shortterm forecasting； wavelet packet analysis； Kohonen clustering； extreme learning machine 　　电力负荷预测是研究电力系统的重要课题之一，能为电力系统调度部门制订发供电计划提供基础，是电网供需平衡的关键，对电力系统市场化运行的作用日益突出，也在电力系统控制、运营和规划等方面显示重要的意义[1].影响电力系统负荷变动的要素繁多[23]，近些年来电力负荷的增长十分快速，而且电力负荷的规律日益复杂，使其表现出一定的随机性和非线性，故越来越多高性能的预测理论与方法被引入到电力系统，有助于提高电源利用率和降低电网运营风险[4]. 　　预测短期电力负荷的方法有很多种.传统的方法主要是一些基于模型的确定性预测方法，例如回归分析法、时间序列法等，然而这些方法已无法满足当今对于更高精度的需求[5].随着国内外研究不断深入，灰色预测法、模糊预测法、支持向量机法等[6]人工智能方法被提出和使用，其中应用较多的方法有BP神经网络和RBF神经网络等.有较高的预测精度是它们普遍的特点，且都能较准确地体现出负荷与影响负荷的多种素之间的非线性关系，但是算法仍然具有避免不了的弊端[7]. 　　2006年，Huang 等提出了的一种单隐层前馈神经网络新型算法极限学习机（Extreme Learning