[發明專利]一種采用優化極限學習機的電力負荷預測方法

有效

• 申請號: 202010259530.3
• 申請日: 2020-04-03
• 公開（公告）號: CN111539558B
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 王立輝;廖宇航
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06N3/006;H02J3/00
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 常虹

1.一種采用優化極限學習機的電力負荷預測方法，其特征在于，包括：

(1)以采樣率f_s采集電力負荷在待預測日之前N天內的值，每天采集M次，得到長度為N*M的電力負荷采樣序列，對所述采樣序列進行歸一化，作為原始序列X(k)，k＝1,2,…,N*M；

(2)對原始序列X(k)做EMD分解，得到多個IMF分量序列和一個殘差序列；

(3)對得到的每個IMF分量序列和一個殘差序列，分別建立基于極限學習機的預測模型進行預測，所述預測模型的輸出預測序列長度為M；將每個IMF分量序列的預測序列和殘差序列的預測序列進行融合和反歸一化，得到待預測日的電力負荷序列；

對第s個IMF分量序列c_s(k)進行預測的步驟為：

(3.1)建立基于極限學習機的預測模型，所述預測模型包括輸入層、隱含層和輸出層，所述輸入層包括D個輸入神經元，所述隱含層包括L個隱含神經元，所述輸出層包含M個輸出神經元；所述預測模型的輸出為：

其中D維向量Y為預測模型的輸入向量；β_l為第l個隱含神經元的與輸出層神經元的連接權重；D維向量W_l為輸入層到第l個隱含神經元的連接權重；b_l為第l個隱含神經元的閾值；M維向量Z為輸出向量；g(·)為激活函數；

構建訓練樣本集：從c_s(k)中截取sum個長度為D+M的序列S_i，i＝1,2,…,sum；S_i中前D個數據組成的序列作為預測模型的輸入樣本向量，后M個數據組成的序列作為預測模型的期望輸出向量；

(3.2)采用人工蜂算法確定所述預測模型中的參數W_l、b_l；計算β_l；l＝1,2,…,L；

(3.3)選擇c_s(k)中最后D個數據作為預測模型的輸入向量Y，輸出的M維向量Z為預測序列；

所述步驟(3.2)具體包括：

(3.2.1)初始化：隨機生成SN個食物源，每個食物源的位置為D×L+L維向量：θ_p＝[w₁₁,w₁₂,…,w_1L,w₂₁,w₂₂,…,w_2L,…,w_D1,w_D2,…,w_DL,b₁,b₂,…,b_L]，p＝1,2,…,SN；

生成SN個雇傭蜂，SN個跟隨蜂；設置最大循環搜索次數MCN，單個食物源最大迭代限制次數Limit，當前循環次數λ＝0，SN個雇傭蜂與SN個食物源一一對應，每個食物源對應的迭代次數都清零；

(3.2.2)每一個雇傭蜂對對應的食物源按下式生成新的食物源：

θ_p′＝θ_p+R_p(θ_p-θ_q)

其中θ_p為第p個雇傭蜂正在開采的食物源位置，θ_p′為第p個雇傭蜂在θ_p基礎上開采的新的食物源位置，R_p為[-1,1]之間的隨機數；q∈(1,2,…,SN)，隨機選取，且p≠q；

(3.2.3)雇傭蜂判斷是否更新對應的食物源，如果新的食物源適應度fit′_p大于原食物源適應度fit_p，則更新對應的食物源；否則，保留原食物源；

(3.2.4)計算每個食物源的選擇概率P_p的值：

(3.2.5)跟隨蜂選擇P_p值最大的食物源θ_best，每個跟隨蜂對此食物源按下式生成新的食物源：

θ_best′＝θ_best+R_p(θ_best-θ_q)

其中，下標best表示被選中的食物源是SN個食物源中的第best個，θ_best′表示第p個跟隨蜂在θ_best基礎上生成的新的食物源位置，q∈(1,2,…,SN)，隨機選取，且p≠q，R_p為[-1,1]之間的隨機數；

(3.2.6)跟隨蜂判斷是否更新對應的食物源，如果新的食物源適應度fit′_best大于原食物源適應度fit_best，則更新對應的食物源，且此食物源對應的迭代次數清零；否則，保留原食物源，對應的迭代次數加一；

(3.2.7)偵察蜂偵察每個食物源對應的迭代次數，如達到最大迭代限制次數Limit，則將對應的食物源丟棄，并通過下式產生一個新的食物源θ^*來代替：

θ^*(u)＝θ(u)_min+R(θ(u)_max-θ(u)_min)

其中θ^*(u)為θ^*的第u個元素，θ(u)_min和θ(u)_max分別為θ^*(u)可取的最小值和最大值；R為[-1,1]之間的隨機數；u＝1,2,…,D×L+L；

(3.2.8)當前循環次數λ加一，判斷是否達到最大循環次數MCN，如達到，結束循環；否則，跳轉到步驟(3.2.2)做下一次優化；

(3.2.9)SN個食物源中適應度最大的食物源位置為待確定的預測模型參數W_l、b_l；

(3.2.10)計算β_l：根據W_l、b_l和訓練樣本集計算矩陣H：

其中W_l＝[w_1l,w_2l,…,w_Dl]；

則

其中H⁺為矩陣H的廣義逆陣；