基于改进机器学习算法的微电网短期负荷预测

第28卷第3期湖南文理学院学报(自然科学版)Vol.28No.3 2016年9月Journal of Hunan University of Arts and Science(Science and Technology)Sep.2016 doi:10.3969/j.issn.1672–6146.2016.03.012

基于改进机器学习算法的微电网短期负荷预测

齐庭庭,李建奇

(湖南文理学院电气与信息工程学院,湖南常德,415000)

摘要:为了对具有基数小、波动大及随机性强等特点的微电网负荷进行准确预测,提出了一种基于改进的机器学习算法。该算法包括基于蚁群算法的模型参数寻优和基于改进核函数极限学习机的预测模型2部分。首先,对蚁群算法信息素的作用方式进行了改进,并将训练误差用于计算蚁群个体的新增信息素,从而得到最优的模型参数。其次,采用基于加权离散距离的方法对训练数据进行筛选,留下相似度高的训练样本对核函数输出权重进行训练,从而减少计算量,提高预测精度。用某小区高层楼宇的电网历史负荷数据,在Matlab 中对算法进行仿真验证,结果表明预测算法能较好地实现微电网的负荷预测。

关键词:微电网;负荷预测;机器学习算法

中图分类号:TM715文章编号:1672–6146(2016)03–0057–05

Short-term load forecasting for microgrids based on improved machine learning

algorithm

Qi Tingting,Li Jianqi

(College of Electrical and Information Engineering,Hunan University of Arts and Science,Changde415000,China) Abstract:In order to improve the accuracy of short-term load forecasting,an improved machine learning algorithm is proposed.It consists of model parameters optimization based on ACO(Ant Colony optimization)and forecasting model based on improved KELM(Extreme Learning Machine).Firstly,the way that pheromone works is modified and the training error is introduced into calculating new pheromone.By this way,the optimal parameters of KELM can be obtained.Secondly,the weighted discrete distance is utilized to screen the training data.The more similar ones will be picked out to train the output weight of KELM.It can reduce calculation and improve the accuracy.The historic load data of a residential building is utilized to conduct the verifying simulations in Matlab.The results show that the proposed algorithm has a good performance in short-term load forecasting for microgrids.

Key words:microgrids;load forecasting;machine learning algorithm

根据目前国内外的相关研究,按时间尺度可以将电力系统负荷预测分为长期、中期、短期和超短期负荷预测4类[1]。其中,短期负荷预测与超短期负荷预测主要对未来一天、小时级及分钟级的负荷做出预测,为电力系统的运行和经济调度提供依据,是市场环境下编排调度计划、供电计划和交易计划的基础[2]。长期以来,国内外专家学者对电力系统短期及超短期负荷预测技术进行了大量的研究,提出了多种有效的负荷预测方法。文献[3–6]研究了大电网的电力负荷预测方法。文献[3]提出了一种基于支持向量机的短期负荷预测模型,该模型采用粒子群优化算法对支持向量机的参数进行了最优化处理。文献[4]利用改进的粒子群算法对模糊神经网络进行参数优化,然后建立了考虑气象、天气和日期类型等多个影响因素的短期负荷预测模型。文献[5]将小波分析与支持向量机相结合,提出了一种小波支持向量机的通信作者:齐庭庭,240795741@。收稿日期:2016–05–20

基金项目:国家自然科学基金(61403136)。

58湖南文理学院学报(自然科学版)2016年短期电力负荷预测方法。文献[6]针对海量的负荷数据,提出了一种基于局部加权线性回归模型和云计算平台的负荷预测模型,在大数据负荷预测计算效率和精度上取得了较好的效果。由于微电网中用电负荷容量小,随机性和波动性强,并且微电网设备计算能力较弱,因此,对微电网的负荷预测难度更大。文献[7]提出了一种基于经验模态分解、扩展卡尔曼滤波及核函数极限学习机的组合负荷预测模型,并采用粒子群对参数进行了优化。该方法虽然能取得一定的预测精度,但其算法复杂,实现难度大,不适合在微电网中推广。

本文提出了一种基于蚁群算法参数寻优的改进核函数极限学习机的负荷预测方法。对用于解决离散问题的蚁群算法进行了机理改进,使蚁群算法适用于连续解的寻优,从而实现对核函数极限学习机的模型参数进行优化。并采用基于加权离散距离的方法对在线训练样本数据库进行筛选,用加权离散距离较小的一批训练数据,对参数优化后的核函数极限学习机的在线预测模型输出权重进行训练,从而减少训练数据冗余度,提高计算速度和预测结果精度。

1核函数极限学习机

在神经网络算法快速发展的时候,Huang 等[8]在2006年提出一种新的机器学习理论——极限学习机理论。目前,基于该理论已衍生出基本极限学习机(Extreme Learning Machine,ELM)、在线序贯极限学习机与核函数极限学习机(Extreme Learning Machine with Kernel,KELM)等相关算法[9]。KELM 是一种单层前馈神经网络算法,由于加入了核机制,因此,其解决回归预测问题的能力比基本ELM 算法更强。KELM 与支持向量机(SVM)算法相比,由于KELM 算法的输入层权重固定,且只需要对输出权重进行训练,因此,在获得更好或相似的预测精度时,KELM 的计算速度更快[10]。

基本ELM 算法是一种随机隐藏层的前馈神经网络算法,其网络结构如图1所示。其表示的前馈神经网络函数表达式为

1()(,,)1, 2, , , …L i i i j i f x G a b x j N β===∑,

(1)式中:a i 为连接输入层与隐藏层节点的输入权重,b i 为隐藏层节点的阈值,且a i ,b i 随机生成;G (a i ,b i ,x j )为隐藏层的激励函数;βi 为连接隐藏层和输出层的输出权重;N 为输入层输入数据x j 的维数。结合图1与式(1)可知,通过隐藏层激励函数可将输入

数据从N 维空间映射到L 维空间。与BP 神经网络等传统回归预测算法相比,ELM 算法不仅趋向于获得最小的预测误差,同时还趋向于最小化输出权重β,即min║H β-O ║2和min║β║。式中,H 为ELM 算法的隐藏层

矩阵,且111111(,,)(,,)(,,)(,,)L L N L L N G a b x G a b x G a b x G a b x ⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦

H 。输出权重向量β和目标值O 的表达式分别为12[,,ββ=βT ,]L β 和[]T

12,,,N O O O = O 。基本ELM 算法通常用于已知激励函数h i (x )的情况,当激励函数h i (x )未知时,可对ELM 算法使用Mercer 条件,从而构成KELM 算法。对于KELM 算法,其神经网络特性方程与基本ELM 相同,但通过

引入核函数能获得更好的回归预测精度。ELM_K 网络特性方程表述为T T 11()()()f x x C -=+=h H HH O []11ELM 1(,),,(,)() N K x x K x x C

Ω-+ O ,式中:C 为待优化参数;ELM Ω为所选核函数,一般选择高斯核函数,即2

ELM (,)(,)exp() i j i j i j x x K x x x x Ωγ==--,其中γ为待优化参数。

引入高斯核函数后,隐藏层矩阵由N ⨯L 维转化为N ⨯N 维。通过采用核函数,由激励函数构成的输出层节点

(a i ,b i )L 个隐藏层节点N 个输入层节点βi i O j 11N L ………x j 图1极限学习机算法的神经网络结构