基于AdaBoost-KELM方法的短期电力负荷预测研究
来源:用户上传
作者:任瑞琪
摘要:针对短期电力负荷预测,在极限学习机的基础上,提出了一种 AdaBoost-KELM的方法。文章将 KELM 作为AdaBoost方法的基学习器,将 AdaBoost-KELM方法应用于某地区的单步或者多步的短期电力负荷预测的实例中,在同等 条件下,与BP,RBF,ELM,KELM,AdaBoost-BP,AdaBoost-RBF,AdaBoost-ELM 几种方法进行比较。实验结果表明,所提出的AdaBoost-KELM方法在预测精度上最有优势。
关键词:电力负荷预测;极限;学习机
0 引言
电力负荷预测可以预测未来某一特定电力系统的负荷,它是一个有效率的电力系统的计与运行中的基本而且必不可少的操作[1-3]。电力系统操作决 策,如减少热备用,经济调度,自动生成控制,可靠性 分析,维护调度和能源商业化,取决于负载的未来行为。因此,准确的负荷预测有助于电力公司正确地做出决策。
Freund与Schapire在1997 年提出了AdaBoost方法 [4-7],它训练许多基学习器,然后综合它们的结论,显 著提高了预测模型的精度、鲁棒性与泛化能力,并且得到了成功应用。例如,高云龙等[8]将其应用于时间序 列建模,寇鹏等[9]将 AdaBoost方法结合决策树应用与负荷预测,Feng 等 [10]将 SVM 作为AdaBoost方法的基学习器进行研究。然而,尽管 SVM 具有令人满意的泛化能力,并且能够解决过拟合和局部极小等问题,但其 参数选 择 复 杂,学习速 度 慢。极 限学习机(Extreme Learning Machine,ELM)是Huang 等 [11]提出的一种基于单 隐 层 前 馈 神 经 网 络(Single-hiddenLayer Feedforward Neural Networks,SLFNs)的快速学习方法,其特点是随机选择 SLFNs的隐含层节点及相应的节点参数,在训练过程中仅需通过正则化最小二乘算法调 节网络的输出权值。因此,它能以极快的学习速度获得良好的网络泛化性能。毛力等[12]提出了一种基于改 进极限学习机的短期电力负荷预测方法,王保义等[13]提出了一种基于云计算和极限学习机的分布式电力负 荷预测算法,李东辉等[14]提出了一种基于改进流行正 则化极限学习机的短期电力负荷预测方法。李军等[15]在传统的极限学习机的基础上,提出核极限学习机(KELM)的方法,并考虑通过3 种方法进行优化,也就是将 O-KELM与O-ELM方法进行比较,验证了O-KELM方法的优势。
针对KELM的优点,本文将其作为AdaBoost方法的基学习器 来 构 建 预 测 模 型。考 虑到KELM 与AdaBoost方法的优点,本文提出了一种 AdaBoost-KELM的方法。应用该方法进行短期电力负荷预测,在同等 条件下,与BP,RBF,SVM,ELM,KELM,AdaBoost-BP,AdaBoost-RBF,AdaBoost-SVM,AdaBoost-ELM方法进行比较,验证该方法的有效性。
1 KELM-AdaBoost
1.1 KELM
考虑到特征映射函数h (x)未知的情形,此时需要将核 函数引入 ELM,可形成新的基于核的 ELM(KELM)方法。
KELM方法中,需定义核矩阵 QELM =HHT ,其元素为:
式(2)中,核函数K(xi,xj)的类型可选径向基核函数,小波核函数,多项式核函数等。
1.2AdaBoost
本文从AdaBoost方法中提取思想,也就是,提供 m个训练样本 (x1,y1),...,(xm,ym),且 xm,ym属于某个域或者例子空间 X,初始化样本权重分配为1/m,并根 据这个分配调用弱学习器,使得迭代次数为T次。根据 训练结果更新训练数据的权重,分配更大的权重来训 练那些未能预测的个体,并且在下一次迭代操作中更 多地关注这些失败的训练个体。弱学习器 ht经过反复的迭代最终得到一个预测函数的整体f1,f2,...,ft。每一个预测函数有相应的权重。在迭代了T次之后,最后的强预测函数F是通过弱学习器的加权投票方式得到的。
1.3KELM-AdaBoost
将 KELM 作为一个基学习器,然 后通过结 合 AdaBoost方法构成一个AdaBoost-KELM 预测模型,通常,AdaBoost-KELM方法的步骤如下所示。
2 实验仿真
2.1建立预测模型
本文的电力负荷预测将采用时间序列建模的方式进行,即
其中,D为预测步长,Δ表示预测模型的嵌入维数,xt 包含历史负荷值(yt-1,yt-2,...,yt-Δ)。
在SVM方法中,选择线性核函数,在KELM方法中,选择 RBF 核函数,即
其中 σ的选择关系到KELM的预测精度,经过多次试验,选择 σ=1。
预测 性 能 评 价 指 标主要采用平均 绝对值 误 差 (MAE),平均绝对百分比误差(MAPE),正则化均方误 差(NMSE)。
其中,yi为待预测时间序列各点的实际输出,yi?为相应模型的预测输出,N为预测样本点数,σ2为带预测 时间序列的方差,若 ENMSE=1,意味着预测输出是时间 序列的均值。
2.2短期电力负荷预测实验
在本实验中,选取两个时间段的负荷数据分别对NYC 夏季的一个月与冬季的一个月来做负荷的预测。选用两组负荷数据,一组是2014 年全年的负荷数据,一组是从2013 年的7 月到2014 年的6 月结束。分别预测 2014 年的12 月(744 组)以及2014 年 6 月(744 组)的电 力负荷。本实验中两个数据集的输入为19 维,输出1 维,测试数据都有8 741 组,采集数据的方式是每小时采 集一次,数据集将被分成两个部分,80%作为训练集(6 993 组),20%作为验证集(1 748 组),进行单步预测。
nlc202208292100
转载注明来源:https://www.xzbu.com/8/view-15438717.htm