论文部分内容阅读
风力发电在全球发电行业的发展中增长的最快。全球风电装机容量预计未来将持续增长,风力资源的不确定性与多变性使得风力发电场的输出功率难以控制。因此,电力系统中大量风电的整合,对电网的稳定性与电力供应的可靠性提出了一些重要的挑战。风电功率预测在风力发电集成与运行方面发挥着关键作用。另一方面,随着电力系统的发展以及新能源的渗透,电力系统的复杂性与不确定性明显增加,这使得电力负荷预测变得尤为重要。因此,在智能电网领域,风电功率与电力负荷的预测均需要达到更加精确的效果,从而应对智能电网运行的成本较高和电力系统可靠性较低的问题。极限学习机(Extreme Learning Machine,ELM)作为针对单隐层前馈神经网络(Single-hidden Layer Feedforward Neural Networks,SLFNs)的一种快速机器学习方法,与采用梯度下降迭代算法的神经网络不同,它随机确定输入层与隐含层间的网络权值,仅通过矩阵运算得到网络输出。与核学习方法结合,核极限学习机(Kernel Extreme Learning Machine,KELM)有效利用了ELM训练速度快且训练过程简单的优点,同样在分类与建模领域获得广泛应用。本文则以核极限学习机方法为主线,结合生物地理学优化算法(Biogeography-based Optimization,BBO)等策略,研究其在智能电网中的应用,目的为进一步提高风电功率与电力负荷的预测精度。本文的主要研究内容如下:(1)在ELM理论的基础上,对KELM的基本学习算法及其RBF核函数和小波核函数进行了深入研究,并考虑在求解过程中引入正则化系数η即使用正则化最小二乘算法,以便提高KELM方法的稳定性与泛化能力。(2)将遗传算法(Genetic Algorithms,GA)、微分演化(Differential Evolution,DE)、模拟退火(Simulated Annealing,SA)三种算法用于优化核极限学习机的参数的选取,即RBF核函数和小波核函数的参数与正则化系数。将优化的两种不同核函数的核极限学习机方法应用于某地区的中期峰值电力负荷预测实验中,并在同等条件下与支持向量机(Support Vector Machine,SVM)、优化极限学习机(Optimization Extreme Learning Machine,O-ELM)等方法进行比较,实验结果表明,O-KELM方法相对于其他几种方法有较好的预测效果,其中,小波核的O-KELM方法取得了最优效果,小波核的DE-KELM算法建模精度最高。(3)将KELM方法与BBO优化算法相结合,形成了一种基于BBO方法优化的核极限学习机(Biogeography-based Optimized Kernel Extreme Learning Machine,BBO-KELM)的机器学习方法。将上述方法与现有的O-ELM等方法在同等条件下应用于优化选择KELM的输入结构,RBF核函数的参数以及Tikhonov正则化系数,以进一步提高KELM方法的学习性能。之后将BBO-KELM算法应用于不同地区风力发电场的风电功率预测实验中,同时,在同等条件下与其他几种方法进行比较,从而得出具有余弦迁移模型的BBO-KELM2算法的预测结果最优的结论。