基于GA理论与QPSO-ELM结合的短期负荷预测方法

• 作者: 陈永龙 石麒 王二庆
• 来源期刊: 湖南电力
• 学科: 工学
• 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
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 新技术及应用|New technology and Application
• 页码范围: 64-70
• 页数: 7页
• 分类号: TM714
• 语种: 中文
• DOI: 10.3969/j.issn.1008-0198.2022.01.013

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.