[发明专利]基于极限学习机的负荷模型预测方法

权利要求书

1.一种基于极限学习机的负荷模型预测方法，其特征在于，包括：

步骤1、采集历年各变电站大量负荷动态特性数据，通过辨识获得相应的负荷模型；

步骤2、根据负荷的不同季节、时刻、组成成分的不同特征进行分类归纳作为训练集，通过训练获得极限学习机模型和参数；

步骤3、确定目标负荷数据的负荷特征，并输入到经过训练的极限学习机模型进行预测，无需迭代，得到预测的负荷模型。

2.根据权利要求1所述方法，其特征在于，所述极限学习机模型由输入层，隐含层和输出层三部分组成，训练前设置合适的隐层节点数，在整个训练过程中只需为输入权值和隐层偏置随机赋值，整个过程无需迭代，产生唯一的最优解。

3.根据权利要求1所述方法，其特征在于，所述极限学习机利用Penrose-Moore广义逆求解网络权重，获得较小的权重范数，避免了基于梯度下降学习方法产生的诸多问题，包括局部极小迭代次数过多、性能指标及学习率的确定的问题，可获得良好的网络泛化性能，用以反映配电网负荷模式与配电网最优结构之间的非线性关系。

4.根据权利要求1所述方法，其特征在于，所述极限学习机在训练过程中同时考虑经验风险和置信范围最小，从而使实际风险最小，即对极限学习机进行结构风险最小化，数学约束优化模型表示为：

minJ=12||β||2+12γ||ϵ||2]]>

s.t.Σi=1Lβig(wi·xj+bi)-yj=ϵj,i=1,2...N,j=1,2...N]]>

其中，‖β‖²表示结构风险，其最小化由边缘距离最大化原则得到，γ是规则项常数，误差的平方和‖ε‖²代表拟合的精度，w_i为网络输入权重，表示输入节点与第i个隐含层节点连接权重，b_i表示第i个隐含层节点的阈值，w_i·x_j表示向量w_i和x_j的内积，β_i为网络输出权重向量表示第i个隐含层节点与输出节点连接权重，x_j为输入，y_j为输出，ε_j为误差。

5.根据权利要求1所述方法，其特征在于，所述极限学习机的输入为负荷特性数据对应的年份、季节、时刻以及变电站的负荷组成成份，极限学习机的输出为负荷模型参数。