基于ELM的短期负荷预测

基于 ELM的短期负荷预测

岑光 沈其磊

中国核电工程有限公司郑州分公司，河南省郑州市， 450000

摘要：短期负荷预测可以为电力调度计划制定提供良好的参考，从而保证电网的平稳运行。对于发电企业而言，高精度的预测可以降低发电机组运行成本。影响用电的因素众多，包括温度、湿度、降雨量、风速等。本文使用极限学习机（ELM），根据历史负荷数据和气象数据，预测以未来一天为尺度的短期用电负荷。

关键词：负荷预测、极限学习机、影响因素

1 引言

根据电力负荷预测历史发展，预测方法可分为传统预测方法和现代预测方法。以时间序列法为代表的传统预测方法无法将影响负荷预测的因素用于建模，且难以应对负荷波动较大的历史负荷数据。随着计算机技术的发展，基于神经网络负荷预测方法得以应用到负荷预测领域，负荷预测方法得到丰富。神经网络通过学习大量历史数据，掌握用电规律，实现预测未来用电量。目前，负荷预测领域已有大量研究。文献[1]利用具备时序功能的长短期记忆神经网络，通过使用不同网络架构有效提升了负荷预测的精度。文献[2]通过分析负荷数据周期性，使用结合受限玻尔兹曼机的递归神经网络实现短期负荷预测。综合考虑电力负荷预测的影响因素，文献[3]提出了一种融合K近邻和长短期记忆网络的方法，当训练数据包含温度和湿度时，取得良好的拟合结果。文献[4]在模型训练数据中考虑了温度的影响，在对比实验中得到良好结果。

影响负荷预测的因素众多，主要包括温度、湿度、风速、光照强度、经济水平、节假日等。例如，温度对用电量有显著的影响，炎热夏季，高温促使空调使用率上升，高峰时期空调的用电负荷可以占到本地区整体用电量的一半以上；对于工业园区，它的用电量与节假日休戚相关，工作日的用电量显著高于休息日。针对以上因素，本文选取温度这一显著影响用电负荷的变量，结合极限学习机快速学习能力，实现短期负荷预测。

2 极限学习机

极限学习机[5]是一种求解单隐层前馈神经网络的算法，无需误差反向传播训练神经网络，克服了传统的神经网络算法容易产生局部最优解的缺点。同时具有学习速度快、具有良好泛化能力的优点。极限学习机的输入权重和隐含层偏置使用随机函数生成赋值，与其它神经网络不同的是，权重和偏置在整个训练学习过程中保持不变，而隐藏层和输出层之间的连接权重利用最小二乘结合伪逆一次求解得到。

极限学习机原理如下:

对不同的N个样本 ，其中

其中 是连接隐含层节点和各输入节点的权重向量； 是连接隐含层节点和各输出节点的权重向量； 是隐含层节点的偏置。隐含层个数为M，激活函数为 的标准单隐层前馈神经网络能以零误差拟合这N个样本等价于 ，也就是存在 , 和 使得

以上等式可以写成:

训练过程等价于搜索线性系统 的一个最小二乘解 ：

上式通过最小二乘法求得输出矩阵：

式中 是H的摩尔彭若斯广义逆矩阵。

3模型构建

数据的准确性对于数据模型的建立至关重要，基于误差较大数据的学习，模型预测精度难以保证。因此，在建立模型之前对数据采用平均值进行修正缺失值和粗大值。同时考虑到电负荷数据和温度数据量纲不同，为了减少这种情况对训练模型精度的影响，对数据采取归一化处理。

针对处理完的数据极限学习机算法的训练学习流程如下：

1. 将数据分为训练集和测试集

2. 选取激活函数，以及隐藏层神经元个数M

3. 随机初始化隐藏层偏置和权重

4. 计算隐藏层输出矩阵H

5. 计算输出权重

6. 判断模型精度是否符合要求，否则返回第三步

7. 输出短期负荷预测值

为了反映出模型预测值与实际负荷数据的误差，选取平均绝对误差(MAE)评价模型性能。

式中： 和 表示i时刻的实际负荷值和预测值

4案例分析

本文选取某地负荷数据和温度数据作为建模依据，第一组实验基于历史负荷和温度数据建模，第二组仅采用负荷数据建模作为对照实验。两组实验以小时为尺度，预测未来24小时负荷。预测结果如下图所示：

从图中可以看出，两个模型预测值与真实值趋势相吻合，第一组和第二组实验的 MAE分别为5.83和7.14，两组模型都取得良好的预测结果，同时可以看出训练时加入温度数据的模型预测精度优于仅基于负荷数据建立的模型。

4结语

本文采用ELM实现了短期负荷的预测，实验结果表明，基于历史负荷和温度数据模型的预测相对误差在5%左右，具有一定实用价值。通过对比实验，温度有利于提高负荷预测模型的精度。温度在特定时段对于用电负荷有着显著影响，为获取高精度的预测值，在建立模型时应考虑这一变量的影响。

参考文献

1. 庞传军,张波,余建明.基于LSTM循环神经网络的短期电力负荷预测[J].电力工程技术.2021(01)

2. 李若晨,朱帆,朱永利,翟羽佳.结合受限玻尔兹曼机的递归神经网络电力系统短期负荷预测[J].电力系统保护与控制.2018,46(17)

3. 徐先峰,陈雨露,王研,王世鑫.考虑多因素的深度学习融合方法实现负荷预测[J].电气自动化,2020,42(05):61-63.

4. 李元诚,方廷健,于尔铿.短期负荷预测的支持向量机方法研究[J].中国电机工程学报,2003(06):55-59.

5. Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: Theory and applications[J]. Neuro computing, 2006, 70(1): 489-501