基于改进极限学习机的短期电力负荷预测方法

被引：55
作者：
毛力
王运涛
刘兴阳
李朝锋
机构：
[1] 轻工过程先进控制教育部重点实验室,江南大学物联网工程学院
来源：
电力系统保护与控制 | 2012年 / 40卷 / 20期
关键词：
短期负荷预测; 极限学习机; 结构风险; 最小二乘支持向量机;
D O I：
暂无
中图分类号：
TM715 [电力系统规划];
学科分类号：
080802 ;
摘要：
为了提高电力系统短期负荷预测精度,提出一种基于改进极限学习机(MELM)的短期电力负荷预测模型。引入基于结构风险最小化理论,并结合最小二乘向量机回归学习方法,以克服传统极限学习机(ELM)在短期负荷预测中存在的过拟合问题。某地区用电负荷预测结果表明,改进模型的泛化性与预测精度均优于传统ELM和OS-ELM模型,可为短期电力负荷预测提供有效依据,具有一定的实用性。
引用
收藏
页码：140 / 144
页数：5
相关论文
共 10 条
[1]  
Optimization method based extreme learning machine for classification.[J].Guang-Bin Huang;Xiaojian Ding;Hongming Zhou.Neurocomputing.2010, 1
[2]  
Extreme learning machine: Theory and applications.[J].Guang-Bin Huang;Qin-Yu Zhu;Chee-Kheong Siew.Neurocomputing.2006, 1
[3]   Least squares support vector machine classifiers [J].
Suykens, JAK ;
Vandewalle, J .
NEURAL PROCESSING LETTERS, 1999, 9 (03) :293-300
[4]   SUPPORT-VECTOR NETWORKS [J].
CORTES, C ;
VAPNIK, V .
MACHINE LEARNING, 1995, 20 (03) :273-297
[5]   基于自适应粒子群优化的SVM模型在负荷预测中的应用 [J].
陆宁 ;
武本令 ;
刘颖 .
电力系统保护与控制, 2011, 39 (15) :43-46+51
[6]   基于综合自适应滤波器的在线短期负荷预测 [J].
蒋强 ;
肖建 ;
王万岗 ;
何都益 ;
蒋伟 .
电力系统保护与控制, 2011, 39 (10) :97-103+125
[7]   粒子群优化的神经网络模型在短期负荷预测中的应用 [J].
陆宁 ;
周建中 ;
何耀耀 .
电力系统保护与控制, 2010, 38 (12) :65-68
[8]   神经网络极速学习方法研究 [J].
邓万宇 ;
郑庆华 ;
陈琳 ;
许学斌 .
计算机学报, 2010, 33 (02) :279-287
[9]   短期负荷预测的集成改进极端学习机方法 [J].
程松 ;
闫建伟 ;
赵登福 ;
王圈 ;
王海明 .
西安交通大学学报, 2009, (02) :106-110
[10]  
电力系统负荷预测.[M].康重庆; 夏清; 刘梅; 编著.中国电力出版社.2007,
1