典型文献
基于GA理论与QPSO-ELM结合的短期负荷预测方法
文献摘要：
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.
文献关键词：
遗传算法;量子粒子群算法;极限学习机;短期负荷预测
中图分类号：
作者姓名：
陈永龙;石麒;王二庆
作者机构：
国网宁夏电力有限公司银川供电公司,宁夏 银川750004
文献出处：
引用格式：
[1]陈永龙;石麒;王二庆-.基于GA理论与QPSO-ELM结合的短期负荷预测方法)[J].湖南电力,2022(01):64-70
A类：
GAQPSO,工休日
B类：
ELM,短期负荷预测,负荷预测方法,负荷数据,非线性关系,负荷预测模型,预测模型精度,量子粒子群算法,高维,优化问题,交进,正则,极限学习机,输入特征,特征选取,日负荷曲线
AB值：
0.171424
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
