论文部分内容阅读
准确地预测短期电力负荷有助于电力系统安全得以保障和发电成本的降低,相关学者专家在电力负荷预测上的研究已经付出很长的时间,并且取得了可喜的成果。传统预测模型大多高度依靠人工经验,缺乏自主学习能力,因此难以较好地分析和拟合高度非线性多因素的电力负荷数据;而当前人工神经网络因为具有运行效率高、非线性映射能力强等优点,因此被广泛应用于电力负荷预测,但是鉴于部分神经网络模型参数随机初始化和结构难确定的原因,进行准确地电力负荷预测还有一定难度。而改进树种优化算法结合了标准树种算法和莱维飞行算法的各自优点,使得全局寻优能力极佳,在参数寻优方面应用广泛,本文将改进的树种优化算法用于优化极限学习机随机初始参数,并将改进后的模型用于短期电力负荷预测研究。本文主要工作如下:(1)提出基于Levy飞行改进的树种优化算法(LTSA),针对标准树种优化算法(TSA)全局搜索能力弱,算法易早熟等缺点,本文将标准树种优化算法与莱维飞行相结合,提升标准树种算法的全局寻优能力,避免算法寻优时陷入局部最优,同时将LTSA算法与树种算法(TSA)、飞蛾扑火优化算法(MFO)、灰狼优化算法(GWO)和粒子群优化算法(PSO)等优化算法在10个基准测试函数上对比测试。(2)提出一种引入注意力机制的长短期记忆网络模型(AM-LSTM),并将改进后的模型用于短期电力负荷预测,并与基本LSTM模型和常用的时间序列预测模型进行对比,AM-LSTM整体预测效果要比LSTM好,在预测初期准确率略差于ELM等模型,但是在预测后期预测性能要比其余模型更好。(3)建立基于改进树种优化算法的极限学习机预测模型(LTSA-ELM),将其与基于其它智能优化算法的ELM模型对比并在6个UCI数据集上验证,证明预测模型的有效性和可靠性;同时提出采用基于高斯核函数的主成分分析法(KPCA)对短期电力负荷数据进行降维预处理,并使用处理后的数据作为LTSA-ELM模型的输入。与其它智能优化算法(TSA、MFO、GWO和PSO)改进的ELM应用模型以及其它基础时序预测模型(BP、SVM、LSTM和AM-LSTM)相比,结果表明KPCA-LTSA-ELM模型更适用于短期电力负荷预测。