针对负荷预测过程中特征量难以确定以及极限学习机(ELM)存在因随机产生的初始权值和阈值导致输出稳定性低的问题,提出了基于格拉姆施密特正交化与皮尔逊相关性分析相结合的特征选择方法(GSO-PCA)和改进灰狼算法(IGWO)优化ELM的短期电力负荷预测模型(IGWO-ELM).对两种不同类型的特征分别使用GSO算法和PCA进行优选,并根据平均绝对百分比误差(MAPE)确定最优特征集,与传统的经验特征选择、最大互信息系数特征选择、随机森林特征选择比较,GSO-PCA特征选择的MAPE分别降低了1.3％、0.55％和0.83％,验证了其优越性;将Tent混沌映射和粒子群优化算法(PSO)融入到灰狼优化算法中,得到IGWO,并利用两种典型的测试函数对IGWO性能进行测试,证明了其具有更强的寻优能力;使用IGWO算法对ELM的初始权值和阈值进行动态优化,建立IGWO-ELM短期负荷预测模型.将拟合优度检验系数、平均绝对误差、均方根误差和MAPE作为评价指标,结合实例分析,与传统的模型进行比较.仿真结果表明:所提预测模型得到的4个评价指标分别为0.9978、54.90 kW、72.02 kW和1.52％,明显优于其他模型,验证了所提模型的有效性和优越性.

短期电力负荷预测;极限学习机;灰狼优化算法;粒子群优化算法;Tent混沌映射;格拉姆

西安科技大学电气与控制工程学院,710054,西安

[1]商立群;李洪波;侯亚东;黄辰浩;张建涛-.基于特征选择和优化极限学习机的短期电力负荷预测)[J].西安交通大学学报,2022(04):165-175

化极,极限学习机,短期电力负荷预测,特征量,难以确定,ELM,权值,格拉姆,施密特正交化,皮尔逊相关性分析,选择方法,GSO,改进灰狼算法,IGWO,负荷预测模型,平均绝对百分比误差,MAPE,最优特征集,最大互信息系数,随机森林特征选择,Tent,混沌映射,粒子群优化算法,PSO,灰狼优化算法,测试函数,寻优能力,动态优化,短期负荷预测,拟合优度检验,平均绝对误差,kW

0.235923