张宁

(闽江学院 物理学与电子信息工程系，福建 福州 350108)

短期电力负荷时间序列预测的极限学习机方法

张宁

(闽江学院 物理学与电子信息工程系，福建 福州 350108)

提出将一种进化的神经网络模型——极限学习机应用于短期电力负荷时间序列预测中，该方法具有模型参数设置少、训练速度快和良好的泛化能力等明显优点。通过实例分析表明该模型的预测精度要优于BP神经网络模型，同时也验证了该模型应用于短期负荷预测的有效性和可行性。

极限学习机;BP神经网络模型;短期电力负荷;时间序列

对短期电力负荷进行准确预测是电力系统安全稳定运行的重要前提。预测短期电力负荷经常根据气温、气压、相对湿度、降雨量、节假日等多种影响因素来进行建模。如果这些影响因素和电力负荷之间有良好的相关性，建立一定的数学模型可以获得较好的预测效果。但是，影响因素的取法众多，气温、气压、相对湿度等因素之间的组合也有多种形式，往往需根据经验来进行确定。为消除这些不确定组合方式的影响，另一种预测短期负荷的处理方法是将历史负荷值作为一时间序列进行建模分析。在此基础上，人们提出了灰色模型预报法、时间序列分析法、Kalman滤波法等[1-3]多种负荷预测方法，并取得了较好的应用效果。

随着机器学习理论的不断发展，以神经网络为代表的非线性方法在负荷预测中获得了较为成功的应用[4-5]。但神经网络方法存在参数设置较多、训练速度较慢、容易陷入局部极小等缺陷。……