基于极限学习机方法的短期负荷预测

将极限学习机(ELM)方法引入电力系统短期负荷预测领域。该方法预测能力强,具有计算时间短、计算准确性高、全局搜索等显著特点。在运用ELM算法建立短期负荷预测模型过程中,采用归一化处理输入数据,使用主成分分析法选取计算样本,并由交互验证法确定最优主成分因子数和ELM隐含层节点数。实际算例表明,在于短期负荷预测的预测精度和运算时间方面,ELM方法较传统神经网络方法具有其独特的优势。     

基于极限学习机的居民用电行为分类分析方法

针对大数据背景下智能用户用电行为分类问题,提出一种基于极限学习机(ELM)算法的用户用电行为分类方法。首先,在前期用户行为的特征优选策略的基础上,采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行分类分析。然后,将特征优选集作为输入,通过比较不同隐含层激活函数和隐含层节点个数下训练集和测试集的正确率,优选出适用于用户用电行为分析的ELM算法的输入参数。最后,以国内和国外用户用电数据为数据源,进行算例仿真实验,通过与反向传播(BP)神经网络的对比分析表明,所提出的基于ELM算法的用户用电行为分析方法提高了检测的正确率并且降低了算法运行时间,能够更好地掌握用户用电负荷状态,实现配电网的削峰填谷。     

基于日负荷曲线的用电模式提取与聚类分析

更新仿真系统负荷模型参数是电力系统负荷建模的一个重要应用,为建立更为准确的负荷模型,分时分区的负荷建模思路是实现仿真系统负荷模型更新的有效途径和方案,本文聚焦负荷的分区建模,以不同类型用电设备日负荷曲线为基础,实现用电模式提取,并以提取所得用电模式为基向量,针对不同负荷节点或区域日负荷曲线进行分解,以分解所得负荷构成系数为聚类属性,实现负荷节点或区域的聚类分析,进而为系统仿真提供指导。基于实际用电数据的仿真结果验证了本文所提思路和方案的有效性。     

基于极限学习机与负荷密度指标法的空间负荷预测

空间负荷预测对有配电网的规划建设具有重要意义,为了提高配电网空间负荷预测的精度,文中提出基于极限学习机(ELM)的配电网空间负荷预测算法,采用粒子群优化(PSO)模型的参数。首先根据用地性质将负荷分类,再通过模糊C均值(FCM)算法对每一类负荷进行聚类分析,建立精细化的负荷密度指标体系。根据待预测地块的特性指标选取训练样本,代入ELM训练,提高预测精度。通过搜索的数据对实例进行仿真试验,通过对比未引入FCM算法的相对误差、未引入PSO算法的相对误差以及采用PSO-ELM算法的相对误差可得,文中提出的PSO-ELM算法具有较高精度,满足实际工程的要求。     

基于切换模型极限学习机的超短期负荷预测

针对极限学习机算法中输出波动大与模型不稳定的问题,提出采用切换模型极限学习算法进行超短期电力负荷预测的方法。该算法通过切换模型准则,将建立的多个神经网络模型分为误差较小的保持模型和误差较大的更新模型两部分。保持模型无需进行在线更新,减低了模型输出的波动性;更新模型则需采取随机方法进行在线更新,使得训练误差达到最小,提高模型的泛化能力。通过对某地区电力负荷的预测仿真,结果表明了所提方法提高了预测速度,节省了计算时间,具有更佳的泛化能力和预测精度。     

基于改进极限学习机的短期电力负荷预测方法

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。     

基于核函数极限学习机的微电网短期负荷预测方法

针对以单个或集体用户为业主的用户侧小容量微电网,考虑到成本约束及用电特征的不确定性,提出了一种基于核函数极限学习机的微电网短期负荷预测方法。使用核函数极限学习机、启发式遗传算法和分时训练样本,建立了包含离线参数寻优与在线负荷预测的预测模型;通过模型参数的周期更新来保证算法最优参数的时效性,同时降低在线预测系统的计算复杂度与历史数据存储量。通过对不同容量、类型的用户侧微电网进行短期负荷预测,分析了预测结果的准确度、参数周期更新的效果、预测结果对经济运行的影响和预测方法的计算效率。     

基于云计算和极限学习机的分布式电力负荷预测算法

为了提高电力负荷预测精度,应对电力系统智能化所带来的数据海量化高维化带来的单机计算资源不足的挑战,提出了一种在线序列优化的极限学习机短期电力负荷预测模型。针对电力负荷数据特性,对极限学习机预测算法进行在线序列优化;引入分布式和multi-agent思想,提升负荷预测算法预测准确率;采用云计算的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力。选用EUNITE提供的真实电力负荷数据进行算例分析,在32节点云计算集群上进行实验,结果表明基于该模型的负荷预测精度均优于传统支持向量回归预测算法和泛化神经网络预测算法,且提出的算法具有优异的并行性能。     

基于无监督学习的电力用户异常用电模式检测

检测异常用电模式的主要目的在于降低非技术性损失(non-technical losses,NTL),降低电力公司的运营成本。该文提出了基于无监督学习的异常用电模式检测模型,适用于电力用户数据集缺乏训练样本的情况。该模型包括特征提取、主成分分析、网格处理、计算局部离群因子等模块。首先提取多个表征用户用电模式的特征量,通过主成分分析将每个用户映射到二维平面,实现数据可视化并便于计算局部离群因子。网格处理技术筛选出低密度区域的数据点,显著提升了算法效率。该模型输出所有用户用电行为的异常度及疑似概率排序,研究结果表明利用该排序,只需要检测异常度排序靠前的少数用户即可查出大部分异常用户。     

基于海量用电数据的用户负荷模式快速提取方法研究

对用电大数据进行快速、准确、高效的挖掘,是得到用户负荷模式不可或缺的基础工作。首先分析了用电数据的分布特点,利用统计学中四分位法的快速性和3σ法的精确性,提出了一种"横向—纵向"检测法,对异常用电数据进行检测与修正;其次,在综合对比了几种典型降维方法的基础上,采用主成分分析法对海量高维用电数据进行降维处理将极大地提高负荷模式提取效率;最后,对传统K-means算法进行改进,得到一种Fast K-means(FK-means)算法,该方法为减小聚类时间引入二分法思想,为提高聚类结果可靠性,将聚类有效性指标DBI与CHI相结合。采用中国南方某市实际量测用电数据验证了该算法能够快速对负荷模式进行提取且具有鲁棒性好的特点。     

基于用电数据和极限学习机的结构经济模型（英文）

考虑到产业发展与用电量之间的显著相关性,将极限学习机(extreme learning machine,ELM)应用于研究用电量与经济发展之间的关系,讨论如何基于用电量数据来预测产业经济增长。案例研究表明:(1)ELM算法在大多数情况下比普通线性回归方法具有更高的准确率;(2)统计结果显示,第二产业的几乎所有下属产业都高度依赖电力消费,其经济增长率与其用电量呈非线性正相关。     

基于改进流形正则化极限学习机的短期电力负荷预测

为提高短期电力负荷预测的精度与效率,提出一种改进流形正则化极限学习机的短期电力负荷预测方法;首先,为了改善极限学习机(ELM)的泛化性能与效率,并解决随机初始化参数导致极限学习机存在的潜在问题,采用流形正则化理论优化极限学习机;其次,针对流形正则化极限学习机中参数的选择,以及流形正则化极限学习机隐层节点选择的问题,提出将贝叶斯优化算法(BOA)融入到流形正则化极限学习机中以优化流形正则化极限学习机(MRELM)。最后,通过实验数据分析,改进流形正则化极限学习机预测方法将预测平均相对误差降低到了1.903%,30次实验的平均相对误差的方差降低到了1.9‰,平均单次运行时间降低到了6.113 s。     

基于改进差分进化算法优化极限学习机的短期负荷预测

负荷预测的精度直接关系到电网的供需平衡,影响着电网运营成本。针对传统预测方法精度不高的缺点,提出了一种改进的差分进化算法优化极限学习机的预测模型。由于极限学习机的输入权值和隐含层偏置对预测精度有很大影响,因而利用改进差分进化算法对极限学习机参数进行优化,提高了极限学习机的泛化能力和预测精度。研究结果表明:改进差分进化算法优化极限学习机对短期负荷预测精度有较高提升。     

基于极限学习机的配电网重构

为使配电网重构有功功率损耗最小,提出一种基于极限学习机的神经网络重构模型来反映配电网负荷模式与开关状态之间的非线性关系。将配电网负荷模式作为输入、网损最小时的开关状态作为输出,利用所提模型网络结构简单、学习速度快的优势进行配电网重构。引入统计学习理论中的结构风险最小化准则来改进基于经验风险最小化的极限学习机,使经验风险和置信范围最小,从而使实际风险最小,减小期望误差。通过2个典型算例对配电网重构进行仿真研究,并对基于支持向量机、BP神经网络和基于经验风险最小化的极限学习机重构模型进行比较,结果表明所提模型在保持学习速度快的同时,泛化性能更高。     

基于核主成分分析和极限学习机的短期电力负荷预测

电力负荷预测的影响因素很多,需要综合考虑多个指标。各种指标间的关系通常是非线性的,采用线性主成分分析(PCA)往往会出现各主成分的贡献率太过分散,找不到具有全面综合能力的成分的情况。核主成分分析(KPCA)作为非线性主成分评价模型,通过核技巧,规避了非线性主成分分析(NLPCA)中非线性变换的未确知性,获得的主成分的贡献率比较集中,得到的评价结果更符合客观事实。采用KPCA来改进极限学习机(ELM)神经网络的输入量,兼顾了各个指标间非线性关系,以保留大部分原始信息为前提,有效的降低了输入维数,以极限学习机为预测模型,对实际电网中的负荷数据进行预测分析,结果表明,KPCA-ELM方法有效地提高了预测精度。     

基于负荷数据频域特征和LSTM网络的类别不平衡负荷典型用电模式提取方法

现有用户用电模式提取技术主要基于负荷数据时域特征提取,无法准确分辨时域上欧式距离接近但频域上波动特性差异较大的负荷数据,且对类别不平衡负荷数据的分类准确率较低。为解决上述问题,文章首先通过基于样本支持向量的过采样方法(support vector machines-synthetic minority over-sampling technique,SVM-SMOTE)对存在类别不平衡问题的负荷数据进行处理;然后,通过极大重叠离散小波变换(maximal overlap discrete wavelet transform,MODWT)对负荷数据进行分解,并将分解后的尺度系数和细节系数组成频域的特征矩阵;最后将频域特征矩阵输入深度长短期记忆(long short-term memory,LSTM)神经网络进行负荷分类并通过求取各个类别质心来获取典型用电模式。实验结果表明,该方法具有良好的类别不平衡数据处理能力和负荷分类效果。     

考虑负荷自适应检测和修复的鲁棒极限学习机短期负荷预测方法

针对现有负荷预测方法对于温度、湿度累积效应下的短期负荷预测精度低的不足,该文提出了一种基于时变Cook距离统计量的负荷异常值检测和基于非参数概率密度估计的负荷自适应修复的鲁棒极限学习机(extreme learning machine,ELM)短期负荷预测方法。首先将历史负荷数据按季节分组,根据每个季节实时负荷和对应的气象因素,利用递归最小二乘法获取历史负荷数据的自适应遗忘因子,构建基于遗忘因子的时变Cook距离统计量,检测负荷数据中的异常值(或强影响值);采用非参数概率密度估计,构建实时负荷与气象因素的随机模型对异常负荷值(或强影响值)进行修复。考虑电力负荷数据异常值对预测精度的影响,采用了一种鲁棒ELM算法对负荷数据进行回归分析;最后,引入基因遗传算法对负荷预测模型参数进行优化,提升负荷预测算法预测准确率;通过实例仿真分析,验证了该方法提高预测精度的有效性。     

基于自适应极限学习机的变压器故障识别方法

针对变压器状态数据累积规模和复杂程度均增大的情况,单一智能算法进行数据处理的能力有限、精度低,提出了基于自适应极限学习机的变压器故障识别方法。利用免疫算法(IA)的多样性调节机制和存储机制对粒子种群进行优、劣分类,对优、劣粒子分别采用不同的进化方式。经IA改进的粒子群优化(PSO)算法有效克服了种群容易早熟从而导致进化停滞的缺点,提高了全局寻优能力。在参数寻优的基础上,根据寻优输出结果建立变压器故障识别模型。实验计算结果表明所提方法比极限学习机(ELM)、粒子群优化极限学习机(PSO-ELM)、遗传算法优化极限学习机(GA-ELM)方法的故障识别精度高。     

基于融合极限学习机的局部放电模式识别

局部放电(PD)是配电设备绝缘故障早期的主要表现形式,放电类型的模式识别对于设备绝缘性能的判定具有重要意义。考虑到极限学习机(ELM)法结构简单、训练速度快,但初始参数选取随机性大,算法稳定性不够的特点,提出一种基于融合ELM算法的PD模式识别方法,综合考虑不同特征判断准确率的差异,采用自适应权值分配对子分类器输出结果实现决策级融合。文中设计了4种放电物理模型来模拟典型的设备绝缘缺陷,采用高频电流法对PD信号波形和相位-幅值谱图(PRPD)进行采集,获得足够样本的实验数据,提取时频域及统计特征值进行分类。结果表明融合ELM算法在保证训练速度的同时,在识别正确率和稳定性上均优于传统ELM算法和反向传播(BP)神经网络。