典型文献
考虑区间构造的改进极限学习机短期电力负荷区间预测
文献摘要：
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.
文献关键词：
灰狼算法;蚁狮算法;极限学习机;区间;负荷预测
中图分类号：
作者姓名：
曾林俊;许加柱;王家禹;梁志宏;李芸;钟朝峰
作者机构：
湖南大学电气与信息工程学院,湖南省 长沙市 410082
文献出处：
引用格式：
[1]曾林俊;许加柱;王家禹;梁志宏;李芸;钟朝峰-.考虑区间构造的改进极限学习机短期电力负荷区间预测)[J].电网技术,2022(07):2555-2563
A类：
B类：
改进极限学习机,短期电力负荷,荷区,区间预测,电力负荷预测,预测区间,灰狼优化算法,gray,wolf,optimization,algorithm,GWO,蚁狮算法,ant,lion,ALO,extreme,learning,machine,ELM,预测误差,正态分布,分布拟合,负荷功率,史前,24h,2h,1h,模型输入,初始种群,局部最优解,偏置,泛化能力,某市,市电,多种方法,方法对比,电力系统调度,新能源消纳,供精,负荷变化,灰狼算法
AB值：
0.353532
相似文献
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。
