基于優(yōu)化的核極限學習機在負荷預測中的研究.pdf

1、負荷預測不僅是確保電力系統(tǒng)安全經濟運行的必要手段之一，也是制定電力市場交易計劃的基礎。隨著現代社會電力市場的不斷發(fā)展，負荷預測在電力系統(tǒng)中的重要性也越發(fā)突出。對于負荷預測的方法目前研究的已經相當成熟，預測的結果對于電網運行有一定參考價值。但是，由于節(jié)能減排的方針的提出，對負荷預測的精度要求越來越高，因此，為了提高負荷預測的精度，就需要對現有的預測方法進行改進，引入新的理論方法。目前，隨著數學理論的發(fā)展以及科學技術的進步，越來越多的新理論

2、被帶入到負荷預測中去研究，比如模糊數學理論、專家系統(tǒng)理論、灰色理論等等，這些理論帶動了負荷預測的發(fā)展，使得負荷預測在預測精度上有了質的跨越。
　　核極限學習機（KELM）作為一種在極限學習機基礎上改進的算法，其引入具有強大非線性映射能力的核函數，將原來單層、無核、線性不可分的極限學習機轉變?yōu)榭臻g線性可分的，使其相較于基本的極限學習機算法具有更強的回歸預測能力。同時，為了防止早熟問題的發(fā)生，本文引入一種全新的人工智能算法即縱橫交叉算

3、法（CSO）。縱橫交叉算法分別從不同的方向進行交叉操作，使得全局搜索無盲點，能夠有效避免陷入局部最優(yōu)解；并且引入競爭算子操作，通過父代與子代的比較，保留適應度值高的一代，從而保證了收斂精度。為了提高核極限學習機的預測精度，本文在深入研究了核函數、縱橫交叉算法的基礎上，給出了基于縱橫交叉算法優(yōu)化核極限學習機（CSO-KELM）的負荷預測算法模型。其核函數是具有局部特性的高斯徑向基核函數，并且針對核函數中參數的不定性，使用縱橫交叉算法對核極