基于人工智能算法改進極限學習機的電力負荷預測.pdf_第1頁
已閱讀1頁,還剩57頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、電力負荷預測是電力系統(tǒng)安全穩(wěn)定,高效運行的重要保證,關(guān)系到社會各行各業(yè)的正常運作。在國家大力倡導節(jié)能環(huán)保以節(jié)約現(xiàn)有能源消耗量的情勢下,電力負荷預測的準確性關(guān)系到整個電廠的經(jīng)濟、高效運行以及整個發(fā)電電網(wǎng)的安全運行,即當前的形勢對于電力負荷預測的精度提出了更高標準的要求。本文結(jié)合極限學習機以及人工智能算法建立了新的電力負荷預測模型,旨在提高電力負荷預測的精度。本文的主要研究內(nèi)容如下:
  (1)極限學習機是一種單隱層前饋神經(jīng)網(wǎng)絡學習算

2、法,是一種較為準確的非線性擬合方法,且具有較好的學習能力以及泛化能力,所以本文將極限學習機用于電力負荷預測。然而極限學習機與神經(jīng)網(wǎng)絡相同,是基于經(jīng)驗最小化原理,因此極易導致過度擬合,且極限學習機的輸入權(quán)值矩陣以及隱含層偏置為模型隨機賦值,使得整個模型對于樣本數(shù)據(jù)的學習缺乏針對性,從而影響其泛化能力。為了改善極限學習機的學習能力以及泛化能力,提高電力負荷預測精度,文中首先將人工螢火蟲群優(yōu)化引入極限學習機,利用人工螢火蟲算法強大的全局尋優(yōu)能

3、力找到使得極限學習機模型訓練誤差最小時的輸入權(quán)值矩陣以及隱含層偏置矩陣,然后對我國某地區(qū)某一段時間的電力負荷通過實驗仿真,驗證了該模型的有效性和優(yōu)越性。
  (2)人工螢火蟲算法結(jié)合極限學習機的負荷預測模型較之簡單的極限學習機模型取得了不錯的效果,然而預測精度仍然不是很高,這是由于螢火蟲算法自身的缺陷所造成。針對螢火蟲算法的缺陷,將人工魚群算法引入極限學習機中,組成人工魚群算法優(yōu)化極限學習機負荷預測模型,通過對同一地區(qū)同一時間段的

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論