基于GA理论与QPSO-ELM结合的短期负荷预测方法

摘要：

为了更快地挖掘海量负荷数据中的非线性关系,提高短期负荷预测模型精度,针对量子粒子群算法(QPSO)在处理复杂高维参数优化问题时能力不足的缺点,结合遗传算法(GA)中的杂交进化思想对其进行改进,提出遗传量子粒子群算法(GAQPSO)来优化正则极限学习机的输入权重和隐藏层偏差,形成混合短期负荷预测GAQPSO-ELM模型.同时,在输入特征选取时,充分考虑历史负荷、温度、时刻以及工休日等相关因素的影响,进一步提高短期负荷预测模型的准确性.实验结果表明,短期负荷预测模型相对于QPSO-ELM模型和普通ELM模型具有更高的精度,并且更能反映日负荷曲线的变化趋势,验证了新提出预测模型的有效性.

关键词：遗传算法;量子粒子群算法;极限学习机;短期负荷预测

所属期刊栏目：42

分类号：TM714(输配电工程、电力网及电力系统)

在线出版日期：2022-03-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：64-70