收藏本站
收藏 | 投稿 | 手机打开
二维码
手机客户端打开本文

基于核主成分分析和极限学习机的短期电力负荷预测

董浩  李明星  张淑清  韩立强  李军锋  宿新爽  
【摘要】:电力负荷预测的影响因素很多,需要综合考虑多个指标。各种指标间的关系通常是非线性的,采用线性主成分分析(PCA)往往会出现各主成分的贡献率太过分散,找不到具有全面综合能力的成分的情况。核主成分分析(KPCA)作为非线性主成分评价模型,通过核技巧,规避了非线性主成分分析(NLPCA)中非线性变换的未确知性,获得的主成分的贡献率比较集中,得到的评价结果更符合客观事实。采用KPCA来改进极限学习机(ELM)神经网络的输入量,兼顾了各个指标间非线性关系,以保留大部分原始信息为前提,有效的降低了输入维数,以极限学习机为预测模型,对实际电网中的负荷数据进行预测分析,结果表明,KPCA-ELM方法有效地提高了预测精度。

知网文化
【相似文献】
中国期刊全文数据库 前1条
1 李全林;何忠韬;刘军军;;核主成分分析和粒子群优化支持向量机在电力机车笼型异步牵引电机故障诊断中的应用研究[J];电工材料;2010年02期
中国硕士学位论文全文数据库 前2条
1 常燕芝;基于概率核学习方法的短期风电功率预测[D];兰州交通大学;2016年
2 欣怡;基于核偏最小二乘回归的短期电力负荷预测研究[D];兰州交通大学;2017年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978