李正刚， 王智方， 钟建伟， 张钦惠， 程明亮

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

0 引 言

传统化石能源在枯竭，可再生能源进入人们的视线[1]。太阳能是较好的替代能源[2]，人们越来越关注光伏发电预测[3]。光伏发电受制于太阳辐射和天气因素[4],影响了电网的运行和调度[5]。

ELM在回归分析、分类和预测领域都有极快的学习速度[6]。该算法还可以降低陷入局部最优的可能性[7]。正则化通过约束最小化经验误差函数来解决逆问题的不适定性，改善用于求解数据的精度[8]。

本文提出一种使用正则化方法优化ELM数据精度的预测方法。引入正则化项改进ELM的泛化能力，避免过拟合，改善用于求解的数据的精度，提高预测的精度。采用DKA太阳能中心的实际数据以验证预测方法提高光伏发电预测精度的能力。

1 正则化理论

正则化理论(regularization theory)在数值分析分析领域应用较多，稳定有效是该理论的特点。正则化方法包括截断奇异值分解(truncated singular value decomposition，TSVD)方法和其他一些改进的算法。

TSVD方法以奇异值展开为基础，k核的平均收敛展开式为:

(1)

式中:ui和vi为正交函数序列，且所有的μi≥0。其解为：

(2)

式中：(ui,g)为内积。只有当系数(ui,g)比ui更快地衰减到零时，解f才能存在。

(3)

这就是著名的皮卡德条件。

2 ELM算法

极限学习机(ELM)算法的目的就是解决基于梯度算法收敛慢和存在局部极小值等相关的问题，该算法是一种单隐层前馈神经网络学习算法。ELM的学习速度非常快。在大多数情况下，ELM在泛化能力方面优于基于梯度的学习。……