針對中期或短期電力負(fù)荷預(yù)測,提出一種基于稀疏表示的特征提取建模方法。為構(gòu)建預(yù)測模型,將歷史電力負(fù)荷等數(shù)據(jù)構(gòu)成具有時延的輸入—輸出數(shù)據(jù)對,將時延輸入數(shù)據(jù)向量作為初始字典,采用K均值—奇異值分解（K-SVD）算法將其進(jìn)行稀疏分解與變換至稀疏域以得到學(xué)習(xí)后的字典。進(jìn)一步,由正交匹配追蹤（OMP）算法獲取相應(yīng)的稀疏編碼向量,再將該向量作為核極限學(xué)習(xí)機(jī)（KELM）的輸入來構(gòu)建全局回歸模型。為了驗證該方法的有效性,將所提出的方法用于不同地區(qū)的中期或短期電力負(fù)荷預(yù)測中,在同等條件下還與單一KELM、支持向量機(jī)（SVM）、極限學(xué)習(xí)機(jī)（ELM）方法以及非字典學(xué)習(xí)的其他稀疏表示建模方法進(jìn)行了比較。實驗結(jié)果表明,不同的稀疏表示建模方法均能取得很好的預(yù)測效果,其中所提方法具有更好的預(yù)測效果,顯示出其有效性。 

【文章來源】：電機(jī)與控制學(xué)報. 2020,24(09)北大核心EICSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

不同稀疏度下不同方法的MAPE對比

圖2給出了不同稀疏表示建模方法與單一SVM、KELM方法的絕對百分比誤差(aboluate percentage errors,APE)的箱線圖比較，可以看出，基于K-SVD的稀疏表示建模方法優(yōu)于采用DCT字典的方法，且K-SVD-OMP結(jié)合KELM的方法能取得較好的預(yù)測結(jié)果。圖3進(jìn)一步給出了K-SVD-OMP結(jié)合KELM方法與其他稀疏表示建模方法及單一SVM、KELM方法對未來31 d內(nèi)的峰值預(yù)測結(jié)果比較。圖4則給出了不同預(yù)測方法相應(yīng)的誤差比較。由圖3、圖4可見，基于K-SVD的稀疏表示建模方法的相對誤差波動較小，呈現(xiàn)出較好的預(yù)測效果。

本節(jié)短期負(fù)荷預(yù)測實例實驗選取北美電力公司提供的電力負(fù)荷數(shù)據(jù)集[24]進(jìn)行，該數(shù)據(jù)集包括從1985年1月1日至1991年3月31日之間每天每小時的溫度和電力負(fù)荷數(shù)值。每日預(yù)測在上午8點進(jìn)行，預(yù)測次日一整天，從當(dāng)日24點至次日24點，即未來16～40 h的電力負(fù)荷，周五預(yù)測整個周末和周一以及未來16～88 h的電力負(fù)荷。預(yù)測任務(wù)是1990年11月26日24點至12月3日24點之間的每小時電力負(fù)荷值。圖4 不同預(yù)測方法的相對誤差比較

【參考文獻(xiàn)】：
期刊論文
[1]基于優(yōu)化核極限學(xué)習(xí)機(jī)的風(fēng)電功率時間序列預(yù)測[J]. 李軍,李大超.  物理學(xué)報. 2016(13)
[2]基于KPCA優(yōu)化ESN的網(wǎng)絡(luò)流量預(yù)測方法[J]. 田中大,李樹江,王艷紅,高憲文.  電機(jī)與控制學(xué)報. 2015(12)
[3]基于CEEMDAN-排列熵和泄漏積分ESN的中期電力負(fù)荷預(yù)測研究[J]. 李軍,李青.  電機(jī)與控制學(xué)報. 2015(08)
[4]基于核函數(shù)極限學(xué)習(xí)機(jī)的微電網(wǎng)短期負(fù)荷預(yù)測方法[J]. 劉念,張清鑫,劉海濤.  電工技術(shù)學(xué)報. 2015(08)
[5]基于區(qū)間二型模糊邏輯的電力負(fù)荷預(yù)測研究[J]. 鄭高,肖建.  電機(jī)與控制學(xué)報. 2012(09)
[6]優(yōu)化組合核函數(shù)相關(guān)向量機(jī)電力負(fù)荷預(yù)測模型[J]. 段青,趙建國,馬艷.  電機(jī)與控制學(xué)報. 2010(06)



本文編號：3440867