安徽理工大学电气与信息工程学院 周 莉 黄志祥

为了更加精确的进行电力负荷预测，本文提出了一种基于极限学习机（ELM）的电力负荷预测方法。对短期负荷中的数据样本进行分析后再将其归一化处理，构建了基于ELM的短期电力负荷预测模型。采用BP神经网络与ELM对同组电力负荷数据分别进行预测，并对两种预测模型进行对比。实验结果表明，ELM算法较于BP神经网络有着更高的预测精度，并且运行时间更短。

短期电力负荷预测是电力负荷预测的重要组成部分，准确的短期电力负荷预测可以更加经济合理的制定电力调配计划，有效的化解因电力负荷过载产生的风险，对于保障生产和生活的正常运作都具有十分重要的意义。由于电力负荷与经济、天气、节假日等因素密切相关，其变化规律具有随机性和周期性。传统方法难以捕捉电力负荷变化规律，因此预测精度较低。

针对这些方法，本文采用一种基于ELM的电力负荷预测方法，将方法与BP神经网络做对比，实验结果证明该方法可以有效的提高预测精度。

1 极限学习机(ELM)

ELM是一种新的单隐层前馈神经网络算法。极限学习机模型的网络结构与单隐层前馈神经网络（SLFN）一样，但是在训练阶段与传统的神经网络不同。相较于传统前馈神经网络训练速度慢、容易陷入局部极小值点的、学习率的选择敏感等缺点。ELM输入层与隐含层的连接权值和隐含层神经元的阈值是随机生成的，在训练过程中不需要调整。……