[发明专利]基于改进极端学习机方法的电力系统短期负荷预测方法

摘要

本发明公开了一种基于改进极端学习机方法的电力系统短期负荷预测方法，以极端学习机(ELM)作为预测模型基本结构，提出BFGS(Broyden，Fletcher，Goldfarb，Shanno)拟牛顿方法对网络左侧权值进行优化训练调整，解析获得右侧权值参数的迭代-解析学习算法，创建了基于改进极端学习机(IELM)方法的短期负荷预测模型，提出极端学习机网络参考隐节点数概念，对隐节点数目与样本数目相同的等维极端学习机网络进行训练，再对该等维网络右权值向量的模值进行有序聚类，找出相应的多个模值分割点，并将其作为预测网络的参考隐节点数，在预测精度和速度方面比现有方法都有了大幅提高。

主权项

1、基于改进极端学习机网络的电力系统短期负荷预测方法，其特征在于：1)读取历史样本数据：读取电力部门提供的待预测日前2年的负荷数据、星期类型及温度数据为历史样本数据；2)历史样本中负荷、温度数据归一化处理：负荷数据的归一化处理设x_t、y_t分别为预测网络输入、输出归一化负荷值，则xt=Pdt-0.9Ptmin1.1Ptmax-0.9Ptmin,t=1,2,···,24---(4-7)]]>yt=Pd′t-0.9Ptmin1.1Ptmax-0.9Ptmin,t=1,2,···,24---(4-8)]]>其中，P_tmax和P_tmin分别为全部样本中在t时刻负荷的最大值和最小值，P_dt为时刻t输入真实负荷值，P_d′t为时刻t输出真实负荷值；温度数据的归一化处理T~d=TdCoeT]]>式中：Coe_T为温度归一化常数取30℃；T_d为d日实际温度值，为归一化后的温度值；3)形成t时刻训练样本集：考虑对负荷影响较大的温度信息，其样本的输入变量主要由四部分组成：负荷变量、温度变量、日期变量和节假日变量；负荷变量：采用预测点两天前及七天前的相同时刻及其前后两个时刻的平均负荷，共16个变量组成负荷输入变量用于预测该时刻各采样点负荷，即要预测第d+1天第T小时的负荷L_d+1，4×T-i，i＝0，1，2，3，其输入变量中的负荷变量包括L_d-1，4×T-i，L_d-6，4×T-i(i＝0，1，2，3)，L_d-1，T-1，L_d-1，T-2，L_d-1，T+1，L_d-1，T+2，L_d-6，T-1，L_d-6，T-2，L_d-6，T+1，L_d-6，T+2；温度变量：采用预测样本日前两天的温度信息即日最高、最低和平均温度作为样本的温度输入变量；日期变量：采用一个七维脉冲二进制量来表示待预测日星期类型，即采样点为星期几则在七位二进制中第几位则为1，其余各位取0；节假日变量：节假日信息用一个二进制量来表示，若待预测日为节假日，该量为1，若不为节假日，令该量为0；输出变量：T时刻一小时的四个点负荷值；4)初始化等维ELM网络左侧权值与各神经元域值：等维ELM网络左侧权值及神经元域值采用0～1均匀分布随机数；注：等维ELM网络即隐节点个数等于输入变量维数的ELM网络；5)基于BFGS的迭代-解析算法对t时刻等维ELM网络进行训练：改进极端学习机网络的实际训练目标是寻求未知网络参数，使得预测网络输出负荷值与对应的历史样本真实负荷值误差最小，即：minE(W,β)=Σj=1N||Oj-Yj||---(5-24)]]>其中W＝(w_i，i＝1，2，…，N；b_j，j＝1，2，…，N)，包含了网络左权值参数及隐层神经元域值；β为ELM网络右侧(输出层)权值；对极端学习机网络左侧权值w_i，i＝1，2，…N及隐单元域值b_i，i＝1，2，…N通过BFGS拟牛顿法寻优，而对右侧权值β则通过MP广义逆理论解析求得，该算法的具体步骤如下：a、随机给定网络的左侧权值参数及隐单元域值参数，记为W⁽¹⁾＝(w⁽¹⁾，b⁽¹⁾)；b、计算隐层输出矩阵H并解析得到输出层权值：β＝H⁺Y；c、在网络右侧权值β不变情况下调用BFGS优化学习算法求解E(W，β)极小点W^*；d、在W^*基础上重新计算输出矩阵H′并解析得到输出层权值：β′＝H′⁺Y；e、如果满足Σi=1N‾||βi-βi′||≤ϵ,]]>则网络训练完毕，否则，令β＝β′，返回c步骤；6)等维ELM网络右权值模值点用有序聚类算法给出c个参考点数输入：待聚类的等维ELM网络右权值模值序列及已知的分类数k；输出：右权值模值的聚类分割点；步骤1：根据D(Xi,Xj)=D(i,j)=Σl=ij(Xi-X‾ij)T(Xi-X‾ij),]]>计算D(i，j)，i＝1，2，…，n-1；j＝i+1，…，n；步骤2：设已知的分类数为k，则分割点个数为k′＝k-1，根据误差函数定义：定义1 e(P(n,k))=Σj=1kD(ij,ij+1-1)]]>定义2min1=i1<···<ik≤ne(P(n,k))=mink≤j≤n{min1=i1<···<ik-1≤j-1e(P(j-1,k-1))+D(j,n)}]]>计算e(P(i，j))，i＝3，4，…，n；j＝2，3，…，k且2<k<n，j<i；步骤3：根据e(P(i，j))矩阵，求得使e(P(n，k))达到极小的最后一个分割点号g，再找出使e(P(g-1，k-1))达到极小的分割点号g₁，进一步找出使e(P(g₁-1，k-2))达到极小的分割点号g₂…最后找到最优两类分割点号g_k′-1；通过对等维极端学习机网络右权值向量模值有序聚类，给出c＝k-1参考隐节点数；7)基于BFGS迭代—解析算法，使用参考隐节点数，训练c个t时刻ELM预测网络模型：即利用多个隐节点数分别构造网络预测模型进行负荷预测；8)分别使用c个ELM预测模型预测t时刻的负荷值9)求取c组网络输出负荷的平均值作为t时刻最终负荷预测负荷值，然后赋予t＝t+1，进入步骤3)至9)直至t大于等于24即得到输出待预测日24小时负荷预测值。