CAJ | 학술논문

针对BP神经网络方法制约短期电力负荷预测精度的问题,提出一种基于迭代误差补偿的核极端学习机(KELM-IEC)预测模型.首先,建立短期电力负荷预测模型的输入指标体系,选择月份、日期、星期、周数、是否为节假日、日平均气温、前一日的最大负荷量等影响电力负荷的7个因素作为预测模型的输入;其次,基于新型神经网络模型——核极端学习机(KELM),建立负荷预测模型,引入支持向量机(SVM)的核函数映射作为极端学习机(ELM)的隐含层节点映射,有效结合ELM结构简单、训练简便与SVM泛化能力强的优势,提高负荷预测精度;最后,基于时间序列预测中迭代误差补偿(IEC)技术,建立IEC模型,再次利用KELM对负荷预测模型的预测误差进行学习,从而对预测结果进行补偿和修正,进一步减小模型预测误差,提高预测性能.采用两组实际电力负荷数据进行仿真实验,其中,KELM-IEC模型与BP神经网络模型相比,平均绝对百分误差(MAPE)分别降低了74.39％和34.73％,最大绝对误差(ME)分别降低了58.34％和39.58％;同时与KELM模型相比,平均绝对百分误差分别降低了18.60％和4.29％,最大绝对误差分别降低了0.08％和11.21％,说明误差补偿策略的必要性.实验结果表明,KELM-IEC预测模型能够有效地提高短期电力负荷预测的精度,有利于改善电力系统的计划、运营和管理,保障生产和生活用电,提高经济效益和社会效益.
침대BP신경망락방법제약단기전력부하예측정도적문제,제출일충기우질대오차보상적핵겁단학습궤(KELM-IEC)예측모형.수선,건립단기전력부하예측모형적수입지표체계,선택월빈、일기、성기、주수、시부위절가일、일평균기온、전일일적최대부하량등영향전력부하적7개인소작위예측모형적수입;기차,기우신형신경망락모형——핵겁단학습궤(KELM),건립부하예측모형,인입지지향량궤(SVM)적핵함수영사작위겁단학습궤(ELM)적은함층절점영사,유효결합ELM결구간단、훈련간편여SVM범화능력강적우세,제고부하예측정도;최후,기우시간서렬예측중질대오차보상(IEC)기술,건립IEC모형,재차이용KELM대부하예측모형적예측오차진행학습,종이대예측결과진행보상화수정,진일보감소모형예측오차,제고예측성능.채용량조실제전력부하수거진행방진실험,기중,KELM-IEC모형여BP신경망락모형상비,평균절대백분오차(MAPE)분별강저료74.39％화34.73％,최대절대오차(ME)분별강저료58.34％화39.58％;동시여KELM모형상비,평균절대백분오차분별강저료18.60％화4.29％,최대절대오차분별강저료0.08％화11.21％,설명오차보상책략적필요성.실험결과표명,KELM-IEC예측모형능구유효지제고단기전력부하예측적정도,유리우개선전력계통적계화、운영화관리,보장생산화생활용전,제고경제효익화사회효익.