基于极限学习机的负荷模型预测方法
【技术领域】
[0001] 本发明属于电力系统建模与仿真技术领域，尤其涉及一种基于极限学习机的负荷 模型预测方法。
【背景技术】
[0002] 负荷模型对电力系统规划设计、调度运行的仿真分析有着重要的影响。不恰当的 负荷模型会使仿真结果与系统实际情况不一致，或过于乐观，或过于保守，从而造成系统的 潜在危险或不必要的浪费。由于电力负荷具有时变性、分布性、复杂性等特点，建立准确的 负荷模型非常困难。
[0003] 到目前为止，电力负荷的建模方法主要包括统计综合法和总体测辨法。统计综合 法是对变电站的负荷组成、负荷元件进行详细调查，再结合元件的平均负荷特性建立负荷 模型，存在的主要问题是难以计及负荷设备同时率，很难获得准确的负荷统计数据。总体测 辨法通过在变电站安装负荷特性测量装置获得负荷特性数据，通过辨识的方法获得负荷模 型，该方法避免了复杂的统计调查，行之有效。无论是统计综合法还是总体测辨法，都是对 已经存在的变电站建立负荷模型，对于电力系统规划而言往往是对未来若干年的电力系统 进行研究，其中有些变电站还不存在，如何获得其数学模型目前还没有有效的方法。
[0004] 极限学习机（ELM)是一种新型的单隐层前馈神经网络学习方法，它对大量非结构 性、非精确性规律具有自适应能力、自主学习和优化计算的特点，有很强的计算能力、复杂 映射能力和容错能力。其基本思想为：训练前设置合适的隐层节点数，在执行过程中只需要 为输入权值和隐层偏置随机赋值，整个过程一次完成，无需迭代，并且产生唯一的最优解， 避免了过拟合现象。
[0005] 本发明专利正是基于极限学习机对电力系统规划中未来电网的负荷变电站建立 其相应的负荷模型，从而可以进行电力系统的仿真分析计算。专利主要解决选取哪些负荷 特征量作为极限学习机的输入、如何确定极限学习机的参数，从而获得变电站预测负荷模 型。
【发明内容】
[0006] 本发明针对电力负荷的建模和模型预测等问题，提出一种基于极限学习机（ELM) 的负荷模型预测方法。具体方法如下：
[0007] 步骤1、采集历年各变电站大量负荷动态特性数据，通过辨识获得相应的负荷模 型；
[0008] 步骤2、根据负荷的不同季节、时刻、组成成分的不同特征进行分类归纳作为训练 集，通过训练获得极限学习机模型和参数；
[0009] 步骤3、确定目标负荷数据的负荷特征，并输入到经过训练的极限学习机模型进行 预测，无需迭代，得到预测的负荷模型。
[0010] 所述极限学习机模型由输入层，隐含层和输出层三部分组成，训练前设置合适的 隐层节点数，在整个训练过程中只需为输入权值和隐层偏置随机赋值，整个过程无需迭代， 产生唯一的最优解。
[0011] 所述极限学习机利用Penrose-Moore广义逆求解网络权重，获得较小的权重范 数，避免了基于梯度下降学习方法产生的诸多问题，包括局部极小迭代次数过多、性能指标 及学习率的确定的问题，可获得良好的网络泛化性能，用以反映配电网负荷模式与配电网 最优结构之间的非线性关系。
[0012] 所述极限学习机在训练过程中同时考虑经验风险和置信范围最小，从而使实际风 险最小，即对极限学习机进行结构风险最小化，数学约束优化模型表示为：
[0013]
[0014]
[0015] 其中，Il β Il2表示结构风险，其最小化由边缘距离最大化原则得到，γ是规则项 常数，误差的平方和Il ε Il 2代表拟合的精度，￥1为网络输入权重，表示输入节点与第i个隐 含层节点连接权重，bi表示第i个隐含层节点的阈值，w i · 1。表示向量w ;和X _$勺内积，β i 为网络输出权重向量表示第i个隐含层节点与输出节点连接权重，\为输入，L为输出，ε , 为误差。
[0016] 所述极限学习机的输入为负荷特性数据对应的年份、季节、时刻以及变电站的负 荷组成成份，极限学习机的输出为负荷模型参数。
[0017] 本发明的有益效果在于：该方法无需迭代，可以快速的得出唯一的负荷模型，最大 限度的保证了精准性并且具有较好的泛化性和鲁棒性，在生产实践中具有较好的实用性， 在对未来电网的规划工作上起到重要作用。
【附图说明】
[0018] 图1是基于极限学习机负荷模型预测流程图；
[0019] 图2是极限学习机模型图。
[0020] 图3a~3c是基于极限学习机的负荷预测模型曲线与负荷数据辨识结果的对比。
【具体实施方式】
[0021] 下面结合附图对本发明做进一步详细说明，如图1所示，主要包括：
[0022] 步骤1、采集负荷数据，通过辨识获得相应的负荷模型；
[0023] 步骤2、提取负荷数据的负荷特征并作为训练集，通过训练获得极限学习机模型和 参数；
[0024] 步骤3、确定目标负荷数据的负荷特征，作为输入到经过训练的极限学习机模型进 行预测，无需迭代，得到预测的负荷模型。
[0025] 所述极限学习机的算法如下：
[0026] 给定N个学习样本矩阵（Xpyi)，极限学习机对应连续的目标函数f (Xi)，向量Xi = |^1，叉;2，"*，叉;11]1'￡1? 11，向量7;=|^1，7;2，"*，7;|11] 1'￡1?|11，1 = 1，2，一1且给定所构造 网络的L个单隐含层节点和隐含层节点激励函数g (xi)，则存在β b i，使SLFNs能以 O误差逼近这N个样本，则ELM模型由数学表示为：
[0027]
( 1 )
[0028] 应用于二分类的ELM数学模型为：
[0029]
(2)
[0030] 其中，j = 1，2，"·，Ν ;网络输入权重向量Wi= |^;1，'^2，"*，'\^]1'，表示输入节点 与第i个隐含层节点连接权重；h表示第i个隐含层节点的阈值;w ; · 1。表示向量w ;和X 的内积，隐含层节点参数WjPb1随机在[_1，1]之间产生；网络输出权重向量β [β u， β?；!，···，β?Τ，表示第i个隐含层节点与输出节点连接权重；i = l，2，…，匕
[0031] 由矩阵来表示N个式（1)为：
[0032] Ηβ =T (3)
[0035] 定义H为网络隐含层输出矩阵。由于L << N，H为非方阵，当任意给定1和b ; 时，由Penrose-Moore广义逆定理，求得唯一解H \则β为：
[0036] β = H1T (5)
[0037] 由