基于人工智能算法改进极限学习机的电力负荷预测.pdf
《基于人工智能算法改进极限学习机的电力负荷预测.pdf》由会员分享,可在线阅读,更多相关《基于人工智能算法改进极限学习机的电力负荷预测.pdf(58页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、分类号:470.4054 密级: 天津理工大学研究生学位论文 基 于人 工智 能 算法改 进 极限学 习 机的 电 力 负荷预 测 (申请硕士学位) 学科专业 :电气工程 研究方向: 电力 系 统及其自动化 作者姓名 :孔晓利 指导教师 :周雪松 教授 2 0 1 6 年 2 月 _ Thesis Submitted to Tianjin University of Technology for the Masters Degree Improved Extreme Learning Machine Power Load Forecasting based on Artificial Inte
2、lligence Algorithms By Kong Xiaoli Supervisor Prof. Zhou Xuesong February, 2016 _ 独 创 性声 明 本 人 声 明 所 呈 交 的 学 位 论 文 是 本 人 在 导 师 指 导 下 进 行 的 研 究 工 作 和 取 得 的 研 究 成 果 , 除 了 文 中 特 别 加 以 标 注 和 致 谢 之 处 外 , 论 文 中 不 包 含 其 他 人已经发表或撰 写 过的研究成果 , 也 不包含为获得 天津理工 大学 或其 他 教 育 机 构 的 学 位 或 证 书 而 使 用 过 的 材 料 。 与 我 一 同
3、工 作 的 同 志 对 本 研 究 所做的任 何贡献 均 已在论文 中作了 明 确的说明 并表示 了 谢意 。 学位论文作者签名 : 签 字日期 : 年 月 日 学 位 论文 版权 使 用授 权书 本 学 位 论 文 作 者 完 全 了 解 天 津 理 工 大 学 有 关 保 留 、 使 用 学 位 论 文 的规定 。特授权 天津理工 大学 可以将 学位论文的全部 或 部分内容编入有 关 数 据 库 进 行 检 索 , 并 采 用 影 印 、 缩 印 或 扫 描 等 复 制 手 段 保 存 、 汇 编 , 以 供 查 阅 和 借 阅 。 同 意 学 校 向 国 家 有 关 部 门 或 机 构
4、送 交 论 文 的 复 本 和 电 子 文 件。 (保密的 学位论 文 在解密后 适用本 授 权说明 ) 学位论文作者签名 : 导师签名 : 签字日期 : 年 月 日 签字日期 : 年 月 日 _ 摘要 电力负荷预测是电力系统安全稳定,高效运行的重要保证,关系到社会各行各业的 正常运作。在国家大力倡导节能环保以节约现有能源消耗量的情势下,电力负荷预测的 准确性关系到整个电厂的经济、高效运行以及整个发电电网的安全运行,即当前的形势 对于电力负荷预测的精度提出了更高标准的要求。本文结合极限学习机以及人工智能算 法建立了新的电力负荷预测模型,旨在提高电力负荷预测的精度。本文的主要研究内容 如下: (
5、1)极限学习机是一种单隐层前馈神经网络学习算法,是一种较为准确的非线性拟 合方法,且具有较好的学习能力以及泛化能力,所以本文将极限学习机用于电力负荷预 测。然而极限学习机与神经网络相同,是基于经验最小化原理,因此极易导致过度拟合, 且极限学习机的输入权值矩阵以及隐含层偏置为模型随机赋值,使得整个模型对于样本 数据的学习缺乏针对性,从而影响其泛化能力。为了改善极限学习机的学习能力以及泛 化能力,提高电力负荷预测精度,文中首先将人工萤火虫群优化引入极限学习机,利用 人工萤火虫算法强大的全局寻优能力找到使得极限学习机模型训练误差最小时的输入 权值矩阵以及隐含层偏置矩阵,然后对我国某地区某一段时间的电
6、力负荷通过实验仿 真,验证了该模型的有效性和优越性。 (2)人工萤火虫算法结合极限学习机的负荷预测模型较之简单的极限学习机模型取 得了不错的效果, 然而预测精度仍然不是很高, 这是由于萤火虫算法自身的缺陷所造成。 针对萤火虫算法的缺陷,将人工鱼群算法引入极限学习机中,组成人工鱼群算法优化极 限学习机负荷预测模型,通过对同一地区同一时间段的电力负荷进行实验仿真,不仅验 证了人工鱼群算法能够提高极限学习机的学习能力和泛化能力,同时验证了人工鱼群算 法-极限学习机模型对于电力负荷的预测效果优于人工萤火虫算法-极限学习机模型。 关 键词 :电力负荷预测 极限学习机 人工萤火虫群优化 人工鱼群算法 _A
7、bstract Power load forecasting is important for power system security, stability and ensuring efficient operation, related to the normal functioning of all walks of life. At the state advocates energy conservation and environmental protection to save energy consumption of existing situation, the pow
8、er load forecast accuracy is related to the economic, efficient operation and safe operation of power grids throughout the entire plant, that the current situation for electric power load forecasting accuracy put forward higher requirements. In this paper, extreme machine learning and artificial int
9、elligence algorithms limit the establishment of a new electricity load forecasting model, designed to improve the accuracy of load forecasting. The main contents are as follows: (1) Extreme Learning Machine(ELM) is a single hidden layer feed forward neural network learning algorithm, is a more accur
10、ate nonlinear fitting method, and has good learning ability and generalization ability, so this article use ELM for power load forecasting. ELM is the same as the neural network, however, is based on the experience of minimization principle, so easily lead to excessive fitting, and extreme learning
11、machine input weighting matrix and hidden layer offset for the model of random assignment, making the whole model to lack of specific learning the sample data, thus affecting its generalization ability. In order to improve the ELM learning ability and generalization ability, improving the power load
12、 forecasting accuracy, this paper first introduces Glowworm Swarm Optimization(GSO) extreme extreme learning machine(GSO-ELM), powerful ability of global optimization using GSO find the hours of training error which ELM model input weighting matrix and hidden layer offset matrix, a certain region in
13、 China for a period of time of power load simulation experiment, proves the validity and superiority of the model. (2) The GSO-ELM of power load forecasting model than the limit of the simple ELM model has achieved good result, however, prediction accuracy is still not very high, this is due to the
14、defects of GSO. In view of the defects of GSO, the Artificial Fish Swarm Algorithm(AFSA) was introduced to the extreme learning machine, which composed of AFSA-ELM model, based on the same area at the same time the power load simulation experiment, not only verify the AFSA can enhance the learning a
15、bility and generalization ability of ELM, and verified the model of AFSA-ELM for power load prediction effect is better than that of GSO-ELM model. Key words :Power load forecasting, Extreme Learning Machine, Glowworm Swarm Optimization, Artificial Fish Swarm Algorithm _- i - 目 录 第一章 绪论 . 1 1.1 选题背景
16、和研究意义 . 1 1.2 电力负荷国内外研究现状 . 2 1.3 本文的主要研究内容 . 4 1.4 本论文的结构安排 . 4 第二章 人工智能负荷预测的基本理论 . 6 2.1 电力负荷预测基本概念 . 6 2.1.1 电力负荷预测的分类 . 6 2.1.2 电力负荷预测基本原理 . 7 2.2 电力负荷预测一般问题分析 . 8 2.2.1 电力负荷预测的特点 . 8 2.2.2 电力负荷预测的影响因素 . 8 2.2.3 电力负荷预测的基本过程 . 9 2.3 极限学习机基本原理 . 10 2.4 人工萤火虫算法 . 13 2.4.1 人工萤火虫自然生态描述 . 13 2.4.2 基本人
17、工萤火虫算法描述 . 13 2.5 人工鱼群算法 . 16 2.5.1 人工鱼群自然生态描述 . 16 2.5.2 人工鱼群行为描述 . 16 2.6 本章小结 . 18 第三章 基于人工萤火虫算法改进极限学习机的电力负荷预测模型 . 20 3.1 样本数据预处理 . 20 3.1.1 样本的归一化处理 . 20 3.1.2 温度、日期数据处理 . 21 3.1.3 测试数据的选取 . 21 3.2 基于人工萤火虫算法改进极限学习机的电力负荷预测模型 . 23 3.3 实验结果 . 25 3.4 本章小结 . 30 _ - ii - 第四章 基于人工鱼群算法改进极限学习机的电力负荷预测模型 .
18、 31 4.1 基于人工鱼群算法改进极限学习机的电力负荷预测模型 . 31 4.2 实验结果 . 32 4.3 本章小结 . 38 第五章 总结及展望 . 39 5.1 主要研究工作及创新点 . 39 5.2 研究展望 . 39 参考文献 . 41 发表论文和科研情况说明 . 45 致 谢 . 46 附 录 . 47 _第一章 绪论 - 1 - 第一章 绪论 随着智能电网技术的不断发展,逐渐成为国家电网的一个新方向,对负荷预测精度 的要求不断提高,因此,本文通过人工智能算法改进极限学习机的方法,着力提高负荷 预测的准确性和速度,具有非常重要的现实意义。 1 .1 选题背景和研究意义 随着人类社
19、会的不断进步以及计算机技术的不断发展,学者们已经不再满足于对事 物当前状态的已知,而是对于即将发生的未来充满了好奇。对于电力系统而言,除了需 要实时监测各个组件的运行状态之外,电力负荷的预测对于整个电力系统也至关重要, 例如对于短期负荷预测,如果预测的结果偏低,则表明下一时段的用电需求量不高,对 于整个发电厂机组而言,则需要调整相应的机组负荷以节省能源的消耗。相反,如果短 期电力负荷预测结果较高,则表明下一时段可能是用电的高峰时段,则需要机组处于满 负荷运行状态以满足较大的用电需求。因此电力负荷预测逐渐成为了发电厂制定运行方 案的重要依据,只有通过准确实时的负荷预测信息并相应的调整整个电厂的发
20、电容量才 能保证发电量与输电方式的合理调度,才能实现电厂的节能经济运行。长期的电力负荷 预测不仅关系到发电系统本身的运行方案,同时也关系到电厂建设的资金启动以及整个 电厂的设计规划。电力负荷预测是否准确会直接影响到系统中各个设备的运行时间以及 设备之间的协调运行方案。对于各个发电厂而言,准确的负荷预测总是至关重要的,恰 到好处的负荷预测与电厂的投资建设密切关联,它关系到投资能否获得回报以及如何获 得更多的经济收益。因此,电力负荷预测对整个系统的高效、节能运行发挥了举足轻重 的作用。然而,实际电力负荷预测结果的准确性并不能完全满足人们的需求,这与电力 系统本身对于负荷测量的误差有关,更大一部分原
21、因是软测量方法的准确性和适应性有 待深入挖掘与提高。 电力负荷预测是结合电力系统运行的实际数据并考虑影响电力负荷的因素,通过对 历史数据的挖掘与整理,分析一系列影响负荷变化的因素,找出电力负荷在某一段时间 内的变化规律,以此实现对未来一段时间的电力负荷的科学预测1-3。 “精度较高的负 荷预测是做出正确决策的重要依据,是有关电力部门制定较为精准的发电计划、开展基 础设施建设以及实现经济、有效的电力调度等工作的重要保障。 ”在当今情势下,电力 负荷即为电力市场供求量的正确反映, 因此, 精准的预测直接关系到整个电网的经济性、 可靠性以及稳定性4-6。 正是因为负荷预测非常重要,所以学者们对电力负
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 人工智能 算法 改进 极限 学习机 电力 负荷 预测
限制150内