秦 勉，钟建伟*，朱永丹，黄 明，张继学，鄢 蓓

(1.湖北民族大学 信息工程学院，湖北 恩施 445000；2.国网湖北省电力有限公司恩施供电公司，湖北 恩施 445000)

负荷的精准化预测对于电力系统经济调度具有重要的指导意义[1].电力部门可以借助精准的电网层级负荷预测进行合理的电能输配，精准化控制运行成本，在确保电网稳健运转的同时，提高机组运行的经济效益[2].短期负荷具有非线性以及时序性的特点[3]，针对这两个特点，短期负荷预测方法可以分为统计理论和机器学习方法.其中统计理论包含多元线性回归、时间序列法、指数平滑法等；机器学习方法包含神经网络算法、支持向量机等[4-9].

针对传统的统计方法模型而言，多元线性回归预测模型简单，计算快捷，预测速度较快，但其鲁棒性较差，对于随机性较高的负荷预测，在精度方面存在较大的缺陷.对于受外界因素影响较大的负荷时[10]，时间序列方法无法保证准确的预测结果.简单的神经网络模型由于其梯度下降算法易使得参数陷入局部最优[11-12]，导致精确度难以提高.本文设计了一种基于遗传优化算法的极限学习机短期预测模型，通过遗传算法对隐藏层的权重和阈值进行参数寻优，改善了传统ELM(Extreme Learning Machine)参数易陷入局部最优解的情况.采用湖北省恩施州某地2017年12月份的实际数据，充分考虑到外界因素对负荷用度的影响，将风速、温度等气象数据作为部分输入变量进行仿真对比分析，并将GA-ELM(Genetic Algorithm-Extreme Learning Machine)模型的……