文献类型：期刊文章

作　　者：张淑清[1] 要俊波[1] 张立国[1] 姜安琦[1] 穆勇[2]

Zhang Shuqing;Yao Junbo;Zhang Liguo;Jiang Anqi;Mu Yong(Key Laboratory of Measurement Technology and Instrumentation of Hebei Province,Yanshan University,Qinhuangdao 066004,China;Tangshan Power Supply Company,State Grid Jibei Electric Power Co.Ltd.,Tangshan 063000,China)

机构地区：[1]燕山大学河北省测试计量技术及仪器重点实验室,秦皇岛066004 [2]国网冀北电力有限公司唐山供电公司,唐山063000

出　　处：《仪器仪表学报》

基　　金：国家重点研发计划(2018YFB0905500);河北省自然科学基金(F2020203058,F2015203413);河北省科技计划中央引导地方科技发展专项资金(199477141G);河北省重点研发计划(18211833D);国网冀北电力有限公司唐山供电公司技术开发项目(SGJBTS00FZJS1902093)资助。

年　　份：2020

期　　号：4

起止页码：49-57

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：智能电网的发展使得电网获取的数据逐渐增多,为了从多维大数据中获取有用信息并对短期内电力负荷进行准确的预测,提出了一种基于改进的深度稀疏自编码器(IDSAE)降维及果蝇优化算法(FOA)优化极限学习机(ELM)的短期电力负荷预测方法。将L1正则化加入到深度稀疏自编码器(DSAE)中能够诱导出更好的稀疏性,用IDSAE对影响电力负荷预测精度的高维数据进行特征降维,消除了指标间的多重共线性,实现高维数据向低维空间的压缩编码。采用FOA优化算法优化ELM的权值和阈值,得到最优值,能够克服因极限学习机随机选择权值和阈值导致预测精度低的缺点。首先将气象因素通过IDSAE降维,得到稀疏后的综合气象因素特征指标,协同电力负荷数据作为FOA优化的ELM预测模型的输入向量进行电力负荷预测。通过与DSAE-FOAELM、DSAE-ELM和IDSAE-ELM等模型的对比实验,证明了提出的预测模型能有效提高预测精度,经计算得出预测精度提升大约8%。

关 键 词：短期电力负荷预测 深度稀疏自编码器(DSAE)  降维 果蝇优化算法  极限学习机

分 类 号：TH17]