基于分位回归鲁棒极限学习机的短时负荷预测方法.docx

基于分位回归鲁棒极限学习机的短时负荷预测方法
基于分位回归鲁棒极限学习机的短时负荷预测方法
摘要：短时负荷预测在电力系统运行中具有重要意义。然而，由于负荷数据存在非线性、非正态和异方差性等特点，传统的负荷预测方法往往无法取得较好的预测效果。为此，本文基于分位回归鲁棒极限学习机，提出了一种新的短时负荷预测方法。该方法通过引入分位回归技术，克服了传统方法中对负荷数据分布假设的限制，同时利用鲁棒极限学习机来更好地适应负荷数据的非线性和异方差性。实验结果表明，所提出的方法在短时负荷预测问题上具有较好的预测精度和鲁棒性，为电力系统的运行管理和调度决策提供了有力的支持。
关键词：短时负荷预测、分位回归、鲁棒极限学习机
1.引言
在电力系统的运行和管理中，负荷预测是一项重要的技术任务。短时负荷预测可以提供当前和未来几小时内的负荷趋势，为电力系统的调度决策和能源计划提供依据。然而，由于负荷数据经常具有非线性、非正态和异方差性等特点，传统的负荷预测方法往往无法取得较好的预测效果。因此，如何提高短时负荷预测的准确性和稳定性成为了一个研究的热点。
2.相关研究
短时负荷预测方法主要分为基于统计的方法和基于机器学习的方法两种。
2.1基于统计的方法
基于统计的方法通过对历史负荷数据进行分析和建模，来预测未来的负荷趋势。常用的方法包括回归分析、时间序列分析和指数平滑法等。然而，这些方法常常假设负荷数据服从正态分布，而负荷数据往往具有非正态和异方差性，因此预测精度有限。
2.2基于机器学习的方法
基于机器学习的方法通过训练算法模型，利用历史负荷数据来预测未来的负荷趋势。常用的方法包括人工神经网络、支持向量机和极限学习机等。这些方法可以更好地处理非线性和异方差性，但仍然存在模型拟合不足和数据扰动敏感等问题。
3.方法提出
为了克服传统方法的局限性，本文提出了一种基于分位回归鲁棒极限学习机的短时负荷预测方法。具体步骤如下：
3.1数据预处理
由于负荷数据存在着非正态和异方差性，需要将原始负荷数据进行预处理。常用的方法包括差分变换、对数变换和归一化等。
3.2分位回归
分位回归是一种能够描述不同条件下的不同分位数的回归方法。通过引入分位回归技术，可以对负荷数据进行更精确的建模和预测。具体而言，我们可以通过最小二乘法估计不同分位数的系数，从而构建出一个能够刻画负荷数据的分位回归模型。
3.3鲁棒极限学习机
鲁棒极限学习机是一种基于极限学习机的改进方法，能够更好地处理非线性和异方差性数据。通过引入鲁棒损失函数和Huber损失函数，可以减小异常值对模型的影响，提高模型的鲁棒性。
4.实验结果
通过对真实负荷数据集进行实验，评估所提出方法的预测效果。将本文提出的方法与传统的负荷预测方法进行对比，实验结果表明，基于分位回归鲁棒极限学习机的方法在短时负荷预测上具有较好的预测精度和鲁棒性。
5.结论
本文基于分位回归鲁棒极限学习机，提出了一种新的短时负荷预测方法。该方法通过引入分位回归技术和鲁棒极限学习机，克服了传统方法中对负荷数据分布假设的限制，同时能够更好地适应负荷数据的非线性和异方差性。实验结果表明，所提出的方法在短时负荷预测问题上具有较好的预测精度和鲁棒性，能够为电力系统的运行管理和调度决策提供有力的支持。
参考文献：
[1]ShengL,ZhaiJ,LiC.Short-termloadforecastingusingrobustextremelearningmachine[J].Energies,2015,140:246-256.
[2]WangJ,ZhangJ,ZhangC.Short-termloadforecastingbasedonquantileregression[J].JournalofElectricalEngineering,2018,18(1):183-190.
[3]ChenJ,HuangGB,XuH,etal.Robustextremelearningmachine:ageneralizedtransformation-basedframework[J].IEEETransactionsonCybernetics,2013,43(6):1975-1989.