基于人工智能算法改进极限学习机的电力负荷预测

发布时间：2020-12-13 06:14

　　电力负荷预测是电力系统安全稳定,高效运行的重要保证,关系到社会各行各业的正常运作。在国家大力倡导节能环保以节约现有能源消耗量的情势下,电力负荷预测的准确性关系到整个电厂的经济、高效运行以及整个发电电网的安全运行,即当前的形势对于电力负荷预测的精度提出了更高标准的要求。本文结合极限学习机以及人工智能算法建立了新的电力负荷预测模型,旨在提高电力负荷预测的精度。本文的主要研究内容如下:（1）极限学习机是一种单隐层前馈神经网络学习算法,是一种较为准确的非线性拟合方法,且具有较好的学习能力以及泛化能力,所以本文将极限学习机用于电力负荷预测。然而极限学习机与神经网络相同,是基于经验最小化原理,因此极易导致过度拟合,且极限学习机的输入权值矩阵以及隐含层偏置为模型随机赋值,使得整个模型对于样本数据的学习缺乏针对性,从而影响其泛化能力。为了改善极限学习机的学习能力以及泛化能力,提高电力负荷预测精度,文中首先将人工萤火虫群优化引入极限学习机,利用人工萤火虫算法强大的全局寻优能力找到使得极限学习机模型训练误差最小时的输入权值矩阵以及隐含层偏置矩阵,然后对我国某地区某一段时间的电力负荷通过实验仿真,验证了该模... 

【文章来源】：天津理工大学天津市

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

电力负荷预测流程图

人工鱼算法流程图

1AFSA-ELM 预测模型据与第三章相同，个数 n=9，因此其sigmoid’函数。文中 4-1AFSA-ELM 参数设step δ I0.3 3 ep 表示步长参数，δ

【参考文献】：
期刊论文
[1]基于气象因子Fuzzy模糊处理的短期电力负荷预测[J]. 黄亮亮,王勇,杨恒,陈帅.  计算机应用与软件. 2014(02)
[2]基于云计算和极限学习机的分布式电力负荷预测算法[J]. 王保义,赵硕,张少敏.  电网技术. 2014(02)
[3]改进的萤火虫算法求解阻塞流水线调度问题[J]. 郭丽萍,李向涛,谷文祥,殷明浩.  智能系统学报. 2013(01)
[4]一种改进的基于分形插值和小波分析的电力负荷短期预测方法[J]. 刘映,翟明岳,刘永笑,刑林敏.  电网技术. 2013(01)
[5]基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测[J]. 张平,潘学萍,薛文超.  电力自动化设备. 2012(11)
[6]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)
[7]自适应灰色预测法在配电网短期负荷预测中的应用[J]. 杨如辉,黄伟琼,杨川.  电工电气. 2012(09)
[8]应用新型萤火虫算法求解Job-shop调度问题[J]. 杨娇,叶春明.  计算机工程与应用. 2013(11)
[9]基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测[J]. 葛少云,贾鸥莎,刘洪.  电网技术. 2012(01)
[10]基于改进萤火虫算法的动态自动聚集路径规划方法[J]. 刘鹏,刘弘,郑向伟,丁艳辉.  计算机应用研究. 2011(11)

硕士论文
[1]改进的人工鱼群算法分析与研究[D]. 陈斐.西安电子科技大学 2012
[2]基于灰色理论的短期电力负荷预测研究[D]. 张志明.湖南大学 2009
[3]人工鱼群算法的分析及改进[D]. 王闯.大连海事大学 2008
[4]人工鱼群算法的改进及应用[D]. 郑晓鸣.上海海事大学 2006



本文编号：2914062