考虑区间构造的改进极限学习机短期电力负荷区间预测

摘要：

针对区间预测中电力负荷预测区间范围过宽和精度不高的问题,提出一种基于灰狼优化算法(gray wolf optimization algorithm,GWO)-蚁狮算法(ant lion optimization algorithm,ALO)优化的极限学习机(extreme learning machine,ELM)短期电力负荷区间预测方法.首先将电力负荷历史预测误差进行正态分布拟合,构造负荷功率历史区间.进而将负荷历史区间和历史前24h、前2h及前1h功率作为模型输入.然后考虑ALO的随机初始种群会影响求解速度与质量,利用GWO生成ALO的优质初始种群,避免陷入局部最优解.接着用ALO优化ELM输入权重及隐藏层偏置,构建具有强泛化能力的ELM短期电力负荷区间预测模型.最后利用湖南省某市电力负荷进行验证,通过多种方法对比,所提方法准确度更高,预测区间质量更好.得到的区间预测结果能为电力系统调度、新能源消纳提供精确的负荷变化信息.

关键词：灰狼算法、蚁狮算法、极限学习机、区间、负荷预测

所属期刊栏目：46

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：湖南省研究生科研创新项目;国网湖南省电力有限公司科技项目

在线出版日期：2022-07-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：2555-2563