基于改进核极限学习机的短期负荷预测全网模型设计.pdfVIP

第42卷第8期自动化仪表Vol.42No.8

2021年8月PROCESSAUTOMATIONINSTRUMENTATIONAug.2021

基于改进核极限学习机的短期负荷预测全网模型设计

张斌，宫建锋，郭宁，靳盘龙,韩一鸣

(国网宁夏电力有限公司经济技术研究院，宁夏银川750002)

摘要：为了更好地实现对电力系统子网负荷的快速、准确预测，设计了一种通过优化核极限学习机实现的预测模型，同时建立了

Cholesky分解的核极限学习机以及短期负荷预测模型。分析了隐含层中的神经元个数引起的模型泛化性差异性，发现在神经元数董

为25个时误差达到最低。结果表明，按照聚类方式获得的改进Kernel极限学习机（KELM)模型表现出更强拟合性能。采用聚类方式

的组合预测模型具备可靠性，通过聚类方法选取最佳训练样本能够显著降低模