[发明专利]一种基于ISSA-HKELM的短期负荷预测方法

说明书

本发明涉及一种基于ISSA‑HKELM的短期负荷预测方法，该方法包括：首先针对核极限学习机KELM的缺陷，结合高斯核函数和多项式核函数构造具有更强泛化能力的混合核极限学习机HKELM；其次针对麻雀搜索算法易陷入局部极值的问题，引入自适应t分布策略和动态自适应权重对麻雀搜索算法进行改进；再次采用改进后的麻雀搜索算法ISSA对混合核极限学习机HKELM的参数进行优化并建立ISSA‑HKELM预测模型；最后采用建立好的ISSA‑HKELM模型进行短期负荷预测。与现有技术相比，本发明具有良好的预测精度和鲁棒性等优点。

技术领域

本发明涉及一种短期负荷预测方法，尤其是涉及一种基于ISSA(改进麻雀搜索算法)-HKELM(优化混合核极限学习机)的短期负荷预测方法。

背景技术

负荷预测是实现能源规划、经济运行和能量管理的重要基础，通常包括长期负荷预测、中期负荷预测和短期负荷预测，其中，短期负荷预测一般指的是对未来一天或者一周的负荷进行预测，短期负荷预测的特点在于会受到天气、设备状况、重大社会活动等因素的影响较大，因此准确的对短期负荷进行预测存在较大的困难。工业、民用、公用事业用电负荷特征迥异，电力负荷往往因天气的变化而具有很大的波动性和季节性，对电力负荷做出准确的预测，是电力系统制订扩容、运行、检修等计划的基础。

在短期电力负荷预测领域中，预测方法主要分为基于统计的传统方法和基于机器学习的方法。传统方法主要分为时间序列法、回归分析、卡尔滤波法等，这些方法多是通过对历史数据进行拟合，从而对负荷的未来趋势进行判断，方法简单，但缺点是不能反映负荷的非线性特性。机器学习方法主要包括BP神经网络、支持向量机(SVM)、极限学习机(ELM)等，这些方法虽然预测精度比传统方法高，但也存在过程复杂、稳定性差、参数难于调整等问题。核极限学习机(KELM)是一种基于核函数新型单隐藏层的前馈神经网络算法，在处理非线性回归方面具有良好的效果。传统的核极限学习机(KELM)大都采用单一的核函数，具有较弱的泛化能力和预测性能；麻雀搜索算法作为一种新型的群智能优化算法，具有参数设置简单、收敛速度快等优点，但麻雀搜索算法在迭代后期会出现种群多样性减小和易陷入局部极值的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种良好的预测精度和鲁棒性的基于ISSA-HKELM的短期负荷预测方法。

本发明的目的可以通过以下技术方案来实现：

根据本发明的一个方面，提供了一种基于ISSA-HKELM的短期负荷预测方法，该方法包括：

首先针对核极限学习机KELM的缺陷，结合高斯核函数和多项式核函数构造具有更强泛化能力的混合核极限学习机HKELM；

其次针对麻雀搜索算法易陷入局部极值的问题，引入自适应t分布策略和动态自适应权重对麻雀搜索算法进行改进；

再次采用改进后的麻雀搜索算法ISSA对混合核极限学习机HKELM的参数进行优化并建立ISSA-HKELM预测模型；

最后采用建立好的ISSA-HKELM模型进行短期负荷预测。

作为优选的技术方案，所述ISSA-HKELM预测模型的输入和输出变量选取如下：

将预测日前一天的历史负荷数据、前一天的最高温度、最低温度、平均温度、相对湿度和降雨量以及当天的最高温度、最低温度、平均温度、相对湿度和降雨量作为模型的输入量；

将预测日当天的负荷数据作为输出量。

作为优选的技术方案，所述混合核极限学习机HKELM有效解决核极限学习机泛化能力较弱的问题。

作为优选的技术方案，所述自适应t分布策略具体为：

对麻雀位置利用自适应t分布进行更新如下式所示