基于K-SVD-OMP的稀疏表示方法在电力负荷预测中的应用

发布时间：2021-10-17 01:35

　　针对中期或短期电力负荷预测,提出一种基于稀疏表示的特征提取建模方法。为构建预测模型,将历史电力负荷等数据构成具有时延的输入—输出数据对,将时延输入数据向量作为初始字典,采用K均值—奇异值分解（K-SVD）算法将其进行稀疏分解与变换至稀疏域以得到学习后的字典。进一步,由正交匹配追踪（OMP）算法获取相应的稀疏编码向量,再将该向量作为核极限学习机（KELM）的输入来构建全局回归模型。为了验证该方法的有效性,将所提出的方法用于不同地区的中期或短期电力负荷预测中,在同等条件下还与单一KELM、支持向量机（SVM）、极限学习机（ELM）方法以及非字典学习的其他稀疏表示建模方法进行了比较。实验结果表明,不同的稀疏表示建模方法均能取得很好的预测效果,其中所提方法具有更好的预测效果,显示出其有效性。 

【文章来源】：电机与控制学报. 2020,24(09)北大核心EICSCD

【文章页数】：10 页

【部分图文】：

不同稀疏度下不同方法的MAPE对比

图2给出了不同稀疏表示建模方法与单一SVM、KELM方法的绝对百分比误差(aboluate percentage errors,APE)的箱线图比较，可以看出，基于K-SVD的稀疏表示建模方法优于采用DCT字典的方法，且K-SVD-OMP结合KELM的方法能取得较好的预测结果。图3进一步给出了K-SVD-OMP结合KELM方法与其他稀疏表示建模方法及单一SVM、KELM方法对未来31 d内的峰值预测结果比较。图4则给出了不同预测方法相应的误差比较。由图3、图4可见，基于K-SVD的稀疏表示建模方法的相对误差波动较小，呈现出较好的预测效果。

本节短期负荷预测实例实验选取北美电力公司提供的电力负荷数据集[24]进行，该数据集包括从1985年1月1日至1991年3月31日之间每天每小时的温度和电力负荷数值。每日预测在上午8点进行，预测次日一整天，从当日24点至次日24点，即未来16～40 h的电力负荷，周五预测整个周末和周一以及未来16～88 h的电力负荷。预测任务是1990年11月26日24点至12月3日24点之间的每小时电力负荷值。图4 不同预测方法的相对误差比较

【参考文献】：
期刊论文
[1]基于优化核极限学习机的风电功率时间序列预测[J]. 李军,李大超.  物理学报. 2016(13)
[2]基于KPCA优化ESN的网络流量预测方法[J]. 田中大,李树江,王艳红,高宪文.  电机与控制学报. 2015(12)
[3]基于CEEMDAN-排列熵和泄漏积分ESN的中期电力负荷预测研究[J]. 李军,李青.  电机与控制学报. 2015(08)
[4]基于核函数极限学习机的微电网短期负荷预测方法[J]. 刘念,张清鑫,刘海涛.  电工技术学报. 2015(08)
[5]基于区间二型模糊逻辑的电力负荷预测研究[J]. 郑高,肖建.  电机与控制学报. 2012(09)
[6]优化组合核函数相关向量机电力负荷预测模型[J]. 段青,赵建国,马艳.  电机与控制学报. 2010(06)



本文编号：3440867