基于核函數(shù)極限學(xué)習(xí)機(jī)的微電網(wǎng)短期負(fù)荷預(yù)測方法

劉 念 張清鑫 劉海濤

基于核函數(shù)極限學(xué)習(xí)機(jī)的微電網(wǎng)短期負(fù)荷預(yù)測方法

劉 念1張清鑫1劉海濤2

（1. 華北電力大學(xué)電氣與電子工程學(xué)院 北京 102206 2. 中國電力科學(xué)研究院 北京 100192）

針對以單個(gè)或集體用戶為業(yè)主的用戶側(cè)小容量微電網(wǎng)，考慮到成本約束及用電特征的不確定性，提出了一種基于核函數(shù)極限學(xué)習(xí)機(jī)的微電網(wǎng)短期負(fù)荷預(yù)測方法。使用核函數(shù)極限學(xué)習(xí)機(jī)、啟發(fā)式遺傳算法和分時(shí)訓(xùn)練樣本，建立了包含離線參數(shù)尋優(yōu)與在線負(fù)荷預(yù)測的預(yù)測模型；通過模型參數(shù)的周期更新來保證算法最優(yōu)參數(shù)的時(shí)效性，同時(shí)降低在線預(yù)測系統(tǒng)的計(jì)算復(fù)雜度與歷史數(shù)據(jù)存儲量。通過對不同容量、類型的用戶側(cè)微電網(wǎng)進(jìn)行短期負(fù)荷預(yù)測，分析了預(yù)測結(jié)果的準(zhǔn)確度、參數(shù)周期更新的效果、預(yù)測結(jié)果對經(jīng)濟(jì)運(yùn)行的影響和預(yù)測方法的計(jì)算效率。

微電網(wǎng) 短期負(fù)荷預(yù)測 極限學(xué)習(xí)機(jī) 周期更新

1 引言

微電網(wǎng)能促進(jìn)分布式清潔能源接入，減少環(huán)境污染并降低電能傳輸損耗，通過孤/并網(wǎng)模式切換提高用戶的供電可靠性[1]。短期負(fù)荷預(yù)測是微電網(wǎng)能量管理系統(tǒng)的重要組成部分，是對微燃?xì)廨啓C(jī)、柴油機(jī)及儲能等可控微源進(jìn)行優(yōu)化調(diào)度的基礎(chǔ)[2]，預(yù)測結(jié)果將直接影響微電網(wǎng)運(yùn)行策略[3]與電能交易。相關(guān)研究表明，較高的微電網(wǎng)負(fù)荷預(yù)測誤差將導(dǎo)致運(yùn)行成本大幅增加[4]。

相對于大電網(wǎng)環(huán)境，微電網(wǎng)進(jìn)行短期負(fù)荷預(yù)測的難度更高，這主要是由于負(fù)荷的隨機(jī)性強(qiáng)，歷史負(fù)荷曲線相似度低，再加上用戶容量有限，各用戶間負(fù)荷特征相互平滑作用較小，負(fù)荷總體波動較大[5]。對于微電網(wǎng)短期負(fù)荷預(yù)測，文獻(xiàn)[5]采用兩層結(jié)構(gòu)進(jìn)行微電網(wǎng)負(fù)荷預(yù)測，但所選微電網(wǎng)容量很大，其最小負(fù)荷約10MW，已相當(dāng)于中壓配電線路的負(fù)荷水平；由于預(yù)測方法包含特征優(yōu)選、參數(shù)尋優(yōu)等大量輔助步驟，在高性能計(jì)算機(jī)上的單次計(jì)算時(shí)間仍超過40min，僅能用于日前負(fù)荷預(yù)測。文獻(xiàn)[6]采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行微電網(wǎng)分布式電源與負(fù)荷的短期功率預(yù)測，但由于算法的預(yù)測準(zhǔn)確度較低，僅能在微電網(wǎng)高負(fù)荷時(shí)期利用負(fù)荷預(yù)測結(jié)果提高其供電可靠性。文獻(xiàn)[7]采用遺傳算法與 RBF神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)微電網(wǎng)負(fù)荷預(yù)測，進(jìn)而實(shí)現(xiàn)微電網(wǎng)剩余功率預(yù)測，可是所選微電網(wǎng)負(fù)荷容量較大，其平均功率約6.5MW，且負(fù)荷預(yù)測準(zhǔn)確度有待提高。

當(dāng)前針對微電網(wǎng)短期負(fù)荷預(yù)測的研究成果相對有限，且計(jì)算復(fù)雜度較高。針對以單個(gè)或集體用戶為業(yè)主的小容量微電網(wǎng)，除保證較高的短期負(fù)荷預(yù)測準(zhǔn)確度外，還應(yīng)降低負(fù)荷預(yù)測方法的計(jì)算復(fù)雜度，便于在嵌入式終端裝置上實(shí)現(xiàn)[8-9]。

基于上述原因，本文在分析微電網(wǎng)負(fù)荷預(yù)測特點(diǎn)的基礎(chǔ)上，采用核函數(shù)極限學(xué)習(xí)機(jī)算法，建立包含離線參數(shù)尋優(yōu)與在線負(fù)荷預(yù)測的微電網(wǎng)短期負(fù)荷預(yù)測模型，并通過多種類型、容量的微電網(wǎng)實(shí)例驗(yàn)證預(yù)測準(zhǔn)確度、周期更新穩(wěn)定性與計(jì)算效率。

2 核函數(shù)極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)理論由Huang等人于2006年提出[10]，基于該理論已衍生出基本極限學(xué)習(xí)機(jī)、在線序貫極限學(xué)習(xí)機(jī)與核函數(shù)極限學(xué)習(xí)機(jī)（Extreme Learning Machine with kernel, ELM_k）等相關(guān)算法[11]。ELM_k是一種單層前饋神經(jīng)網(wǎng)絡(luò)算法，相對于基本ELM算法，其解決回歸預(yù)測問題的能力更強(qiáng)，而相對于支持向量機(jī)算法，其在獲得更好或相似的預(yù)測準(zhǔn)確度時(shí)，計(jì)算速度更快[12]。基本 ELM 算法已被應(yīng)用于短期負(fù)荷預(yù)測[13-14]與非技術(shù)性損失檢測[15]，并展現(xiàn)出較高的性能。

本文選擇 ELM_k作為負(fù)荷預(yù)測算法。首先簡單說明基本 ELM 算法的神經(jīng)網(wǎng)絡(luò)構(gòu)建機(jī)制，其神經(jīng)網(wǎng)絡(luò)函數(shù)可表示為

ELM 通過最小化輸出誤差保證回歸預(yù)測準(zhǔn)確度，即

式中，L為隱藏層神經(jīng)元 h(x)的個(gè)數(shù)；fO(x)為目標(biāo)值構(gòu)成的待預(yù)測函數(shù)。

同時(shí) ELM 算法通過最小化輸出權(quán)重 β保證神經(jīng)網(wǎng)絡(luò)的泛化能力。通常 β取其最小二乘解，計(jì)算方法為

式中，H為神經(jīng)網(wǎng)絡(luò)隱藏層矩陣；H?為H矩陣的廣義逆矩陣[16]；O為預(yù)測目標(biāo)值向量。根據(jù)嶺回歸理論，通過增加正常數(shù) 1/C，求解結(jié)果將更加穩(wěn)定并具有更好的泛化能力[17]。

對于 ELM_k算法，其通過引入核函數(shù)來獲得更好的回歸預(yù)測準(zhǔn)確度，即

式中，ΩELM為所選核函數(shù)，通常取高斯核函數(shù)；N為輸入層維數(shù)。

通過引入高斯核函數(shù)，隱藏層矩陣由原來的N×L維轉(zhuǎn)化為N×N維，同時(shí)L成為核函數(shù)轉(zhuǎn)化后的高維空間的維數(shù)。對于ELM_k，雖然L參數(shù)無需人為設(shè)置，但核函數(shù)中的參數(shù)γ與廣義逆矩陣中的參數(shù)C由于影響回歸預(yù)測性能，仍需優(yōu)化求解。

由于篇幅有限，僅簡單說明 ELM_k算法的基本原理，相關(guān)定理與理論證明可參考文獻(xiàn)[11-12]。

3 微電網(wǎng)負(fù)荷預(yù)測模型

3.1 微電網(wǎng)負(fù)荷預(yù)測需求與模型構(gòu)建

相對于大電網(wǎng)運(yùn)行條件，微電網(wǎng)短期負(fù)荷預(yù)測具有以下特點(diǎn)：①微電網(wǎng)中不一定能夠配備高性能服務(wù)器進(jìn)行負(fù)荷預(yù)測，并不適宜在每次負(fù)荷預(yù)測時(shí)都進(jìn)行參數(shù)尋優(yōu)；②各時(shí)段用電特性差異較大，為提高負(fù)荷預(yù)測準(zhǔn)確度，需要分時(shí)構(gòu)建負(fù)荷預(yù)測模型；③在線負(fù)荷預(yù)測可能由嵌入式系統(tǒng)完成，預(yù)測模型在計(jì)算復(fù)雜度與存儲空間方面都有較大限制。

考慮上述微電網(wǎng)負(fù)荷預(yù)測特點(diǎn)，本文基于分時(shí)訓(xùn)練樣本，選擇ELM_k與遺傳算法（Genetic Algorithm, GA）相結(jié)合的方式，構(gòu)建包含離線參數(shù)尋優(yōu)與在線負(fù)荷預(yù)測的微電網(wǎng)短期負(fù)荷預(yù)測模型，如圖1所示。

圖1 微電網(wǎng)短期負(fù)荷預(yù)測模型Fig.1 Micro-grid short-term load forecasting model

3.2 數(shù)據(jù)殘缺修復(fù)

微電網(wǎng)負(fù)荷的歷史數(shù)據(jù)可能存在以下問題：（1）負(fù)荷采樣數(shù)據(jù)存在殘缺，即缺少某一時(shí)刻的歷史樣本，或該時(shí)刻的功率采樣值為空。

（2）負(fù)荷歷史采樣數(shù)據(jù)中存在停電類特殊事件，其特征表現(xiàn)為超過2h的負(fù)荷采樣值連續(xù)為0，不屬于短期負(fù)荷預(yù)測的應(yīng)用范疇。

（3）歷史采樣數(shù)據(jù)中包含特殊節(jié)假日的負(fù)荷采樣數(shù)據(jù)，尤其是特殊節(jié)假日所導(dǎo)致的調(diào)休，對工作日與節(jié)假日的負(fù)荷特征都有影響。由于本文不以特殊節(jié)假日短期負(fù)荷預(yù)測作為重點(diǎn)，將對原始負(fù)荷采樣數(shù)據(jù)中的調(diào)休日負(fù)荷進(jìn)行處理。

對于歷史數(shù)據(jù)中存在的問題，實(shí)驗(yàn)采用周同期負(fù)荷數(shù)據(jù)的平均值進(jìn)行填充或覆蓋，其計(jì)算方法為

式中，xi為第 i個(gè)負(fù)荷功率采樣值；W為一周的理論采樣樣本數(shù)。

3.3 負(fù)荷屬性

對于第 i個(gè)負(fù)荷采樣值 xi，研究中使用采樣時(shí)間ti、周信息 wi、日前平均負(fù)荷dai、日前滯后負(fù)荷dli、周前滯后負(fù)荷 wli作為其負(fù)荷屬性。負(fù)荷數(shù)據(jù)的采樣時(shí)間間隔為1h，采樣時(shí)間ti為1～24的整數(shù)；對于周信息 wi，取值為 1～7的整數(shù)；對于日前平均負(fù)荷dai，計(jì)算方法為

式中，G為負(fù)荷樣本采樣總數(shù)。

對于日前滯后負(fù)荷與周前滯后負(fù)荷，計(jì)算方法如下

為便于表述，使用Ai指代第i個(gè)樣本的所有負(fù)荷屬性，即

3.4 離線模型構(gòu)建與參數(shù)尋優(yōu)

由于工作日與節(jié)假日的負(fù)荷特征差別較大，針對二者分別建立短期負(fù)荷預(yù)測模型。對于驗(yàn)證樣本的選擇，設(shè)當(dāng)前進(jìn)行T時(shí)刻負(fù)荷預(yù)測模型的參數(shù)尋優(yōu)，則對應(yīng)的驗(yàn)證樣本為

式中，VT為T時(shí)刻預(yù)測模型的驗(yàn)證樣本；xi為負(fù)荷預(yù)測的目標(biāo)值；Ai為樣本的負(fù)荷屬性值。

對應(yīng)選擇T時(shí)刻的前驅(qū)樣本、日同期區(qū)間樣本、周同期區(qū)間樣本作為T時(shí)刻負(fù)荷預(yù)測模型的分時(shí)訓(xùn)練樣本，即

式中，MT為T時(shí)刻預(yù)測模型的訓(xùn)練樣本。

基于ELM_k算法，使用樣本MT與參數(shù)和建立負(fù)荷預(yù)測模型。再使用樣本 VT的負(fù)荷屬性進(jìn)行預(yù)測驗(yàn)證，即

遺傳算法的目標(biāo)函數(shù)為預(yù)測誤差最小，采用平均相對誤差（Mean Absolute Percent Error，MAPE）作為預(yù)測模型構(gòu)建時(shí)的評價(jià)函數(shù)，即式中，S為預(yù)測時(shí)間總長度。

基于種群各代的負(fù)荷預(yù)測誤差及對應(yīng)參數(shù)，使用GA進(jìn)行參數(shù)尋優(yōu)，即

遺傳算法的優(yōu)選參數(shù)為 Z1與 Z2，并與 ELM_k的算法參數(shù)相對應(yīng)，且滿足式（14）。文獻(xiàn)[12]在進(jìn)行ELM_k算法性能分析時(shí)，Z1與Z2取[-24, 25]內(nèi)的整數(shù)，本文類似選取[-10, 25]內(nèi)的浮點(diǎn)數(shù)，即

對于參數(shù) Z1與 Z2的優(yōu)選，使用啟發(fā)式交叉函數(shù)，即以預(yù)測準(zhǔn)確度較好的父代為基礎(chǔ)，依據(jù)比例系數(shù)向較差父代移動一段距離作為交叉形成的子代，即式中，R為比例系數(shù)，取值為1.2；為父代參數(shù)值，其中為預(yù)測準(zhǔn)確度較好的父代，g為遺傳算法代數(shù)。

使用自適應(yīng)變異函數(shù)，基于父代的預(yù)測準(zhǔn)確度，并考慮待優(yōu)選參數(shù)取值區(qū)間，將子代的參數(shù)值加上一個(gè)隨機(jī)值，從而完成子代的變異操作。遺傳算法種群個(gè)數(shù)為 20，當(dāng)連續(xù) 50代的預(yù)測準(zhǔn)確度變化小于1%時(shí)終止參數(shù)尋優(yōu)過程。

離線參數(shù)尋優(yōu)模塊的運(yùn)行周期為1周，其中歷史數(shù)據(jù)存儲量可取1～2個(gè)月，并每周進(jìn)行更新，基于更新后的歷史數(shù)據(jù)進(jìn)行啟發(fā)式參數(shù)尋優(yōu)，獲得各預(yù)測時(shí)刻的最優(yōu)參數(shù)CT與γT（T=1,…,24）。將該最優(yōu)參數(shù)傳遞給在線負(fù)荷預(yù)測模型，作為其下一個(gè)運(yùn)行周期的預(yù)測算法訓(xùn)練參數(shù)。

3.5 在線負(fù)荷預(yù)測模型

進(jìn)行在線負(fù)荷預(yù)測時(shí)，設(shè)待預(yù)測時(shí)刻為To，當(dāng)前運(yùn)行時(shí)刻為To-1，基于當(dāng)前時(shí)刻的采樣和歷史采樣構(gòu)建在線訓(xùn)練樣本為

在線負(fù)荷預(yù)測模型運(yùn)行時(shí)，按式（16）不斷更新在線訓(xùn)練樣本，并按式（17）、式（18）進(jìn)行短期負(fù)荷預(yù)測，而最優(yōu)參數(shù) CT與 γT則按周更新，從而保證最優(yōu)參數(shù)的時(shí)效性與在線模型的運(yùn)行效率。該預(yù)測模型能直接進(jìn)行T0時(shí)刻的負(fù)荷預(yù)測，若要同時(shí)進(jìn)行T0+1時(shí)刻的負(fù)荷預(yù)測，可用T0時(shí)刻的預(yù)測結(jié)果更新在線訓(xùn)練樣本后進(jìn)行計(jì)算。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 微電網(wǎng)負(fù)荷樣本

對于微電網(wǎng)短期負(fù)荷預(yù)測，實(shí)驗(yàn)選擇四個(gè)不同容量微電網(wǎng)的 5～7月歷史負(fù)荷作為原始采樣數(shù)據(jù)，其中：微電網(wǎng) D1與 D2主要為小區(qū)物業(yè)負(fù)荷，微電網(wǎng) R1與 R2主要為酒店負(fù)荷。樣本采樣時(shí)間間隔為 1h，原始采樣屬性包含采樣時(shí)間和負(fù)荷功率，并根據(jù)式（6）、式（7）添加日前平均負(fù)荷等屬性。

構(gòu)建預(yù)測模型前，將對功率采樣值xi及負(fù)荷屬性Ai進(jìn)行歸一化處理，縮放至[0, 1]的范圍。以功率采樣值為例，其計(jì)算方法為

使用 5、6月的歷史數(shù)據(jù)作為分時(shí)訓(xùn)練樣本與驗(yàn)證樣本，基于 ELM_k與GA進(jìn)行負(fù)荷預(yù)測模型的參數(shù)尋優(yōu)。首先選擇 7月第 1周的負(fù)荷數(shù)據(jù)作為測試樣本，測試短期負(fù)荷預(yù)測模型的預(yù)測準(zhǔn)確度。測試周的 25～72h為節(jié)假日，其他時(shí)間為工作日。

4.2 微電網(wǎng)負(fù)荷預(yù)測準(zhǔn)確度

對于負(fù)荷預(yù)測準(zhǔn)確度的評價(jià)，本文選擇MAPE，最大誤差（Maximum Error, ME）和均方誤差（Mean Square Error, MSE）作為評價(jià)標(biāo)準(zhǔn)，其計(jì)算方法為

式中，MEi為i時(shí)刻p次負(fù)荷預(yù)測的最大誤差；為神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測值；yi為預(yù)測目標(biāo)值。7月第1周中各微電網(wǎng)的負(fù)荷預(yù)測誤差如表 1所示，各時(shí)刻最大誤差如圖 2～圖 5所示。

表1 微電網(wǎng)負(fù)荷預(yù)測誤差Tab.1 Prediction error of micro-grid load

4.3 負(fù)荷預(yù)測結(jié)果分析

為詳細(xì)分析負(fù)荷特征與預(yù)測準(zhǔn)確度之間的關(guān)系，各微電網(wǎng)的負(fù)荷預(yù)測結(jié)果如圖 2～圖5所示。

圖2 微電網(wǎng)D1的負(fù)荷預(yù)測結(jié)果Fig.2 Load forecasting results of micro-grid D1

圖3 微電網(wǎng)D2的負(fù)荷預(yù)測結(jié)果Fig.3 Load forecasting results of micro-grid D2

圖4 微電網(wǎng)R1負(fù)荷預(yù)測結(jié)果Fig.4 Load forecasting results of micro-grid R1

圖5 微電網(wǎng)R2的負(fù)荷預(yù)測結(jié)果Fig.5 Load forecasting results of micro-grid R2

分析各微電網(wǎng)的負(fù)荷預(yù)測結(jié)果發(fā)現(xiàn)：

（1）各微電網(wǎng)在25～72h之間（點(diǎn)劃線之間的區(qū)域）的節(jié)假日時(shí)段都出現(xiàn)了較大的負(fù)荷預(yù)測誤差，這主要是因?yàn)楣?jié)假日的負(fù)荷特征變化較大，用電習(xí)慣容易出現(xiàn)突變。

（2）微電網(wǎng)的負(fù)荷上升沿與下降沿由于功率變化迅速，也容易出現(xiàn)一定的預(yù)測誤差，其中以微電網(wǎng)R1最為典型，尤其在31h處的負(fù)荷上升沿出現(xiàn)了該預(yù)測周最大的預(yù)測誤差。

（3）微電網(wǎng)低負(fù)荷時(shí)段對預(yù)測誤差的影響。雖然微電網(wǎng)D2的MSE誤差小于微電網(wǎng)D1，但由于D2的預(yù)測誤差很多出現(xiàn)在低谷時(shí)段，且最小負(fù)荷僅有116.4kW，導(dǎo)致微電網(wǎng)D2的MAPE誤差反而較大。

（4）對于微電網(wǎng)D1與R1，其負(fù)荷曲線的日前相似度較低，也容易引起較大的負(fù)荷預(yù)測誤差。

4.4 離線參數(shù)尋優(yōu)的結(jié)果形式及參數(shù)取值

各微電網(wǎng)負(fù)荷預(yù)測系統(tǒng)每周都有兩個(gè) ELM_k算法參數(shù)集對應(yīng)其工作日與節(jié)假日；每個(gè)參數(shù)集都包含 24組算法參數(shù)值，對應(yīng)一天 24h。以微電網(wǎng)R2在7月第1周的節(jié)假日為例，其最優(yōu)參數(shù)取值如圖6所示。

圖6 微電網(wǎng)R2在7月第1周節(jié)假日的最優(yōu)參數(shù)Fig.6 Optimum parameters of micro-gird R2 in July first week holidays

4.5 模型周期更新準(zhǔn)確度及經(jīng)濟(jì)性分析

相關(guān)研究成果通常只分析特定周的負(fù)荷預(yù)測性能[5-7]，并未能分析預(yù)測方法在連續(xù)多個(gè)測試周中的性能穩(wěn)定性。為研究在線負(fù)荷預(yù)測模型周期更新后性能的穩(wěn)定性，基于 3.4節(jié)相關(guān)理論進(jìn)行模型參數(shù)的周期更新，并連續(xù)進(jìn)行7月第2～4周的負(fù)荷預(yù)測，各測試周的預(yù)測誤差如表2所示。

表2 負(fù)荷預(yù)測模型周期更新后的預(yù)測誤差Tab.2 Prediction error after cycle update ofthe load forecasting model

分析表2可知，負(fù)荷預(yù)測模型在周期更新后仍能保持原有負(fù)荷預(yù)測準(zhǔn)確度。基于文獻(xiàn)[4]的相關(guān)研究，當(dāng)置信水平為0.99時(shí)，微電網(wǎng)短期負(fù)荷預(yù)測相對誤差與運(yùn)行成本的關(guān)系如圖7所示，圖中基準(zhǔn)成本為預(yù)測誤差為0時(shí)的運(yùn)行成本。

圖7 微電網(wǎng)運(yùn)行成本與預(yù)測相對誤差的關(guān)系Fig.7 Operation costs under different prediction errors

圖7 中，當(dāng)預(yù)測相對誤差大于10%后，微電網(wǎng)的運(yùn)行成本將會大幅增加。在7月各測試周中，大部分測試周的負(fù)荷預(yù)測誤差都小于或接近10%，僅微電網(wǎng)R1在第1周的預(yù)測誤差較大。

4.6 性能分析

實(shí)驗(yàn)機(jī)器采用Core i3 380M處理器與4G內(nèi)存，并在Matlab 2012a環(huán)境下完成相關(guān)計(jì)算。以7月第1周負(fù)荷預(yù)測為例，各微電網(wǎng)的單次參數(shù)尋優(yōu)與單次負(fù)荷預(yù)測的計(jì)算時(shí)間如表 3所示。

表3 單次參數(shù)尋優(yōu)與單次負(fù)荷預(yù)測的計(jì)算時(shí)間Tab.3 Calculation time of single parameter optimization and single load forecasting

分析表3發(fā)現(xiàn)，該微電網(wǎng)短期負(fù)荷預(yù)測方法在參數(shù)尋優(yōu)與負(fù)荷預(yù)測兩個(gè)方面均具有較高的效率，10min內(nèi)可完成微電網(wǎng)一個(gè)運(yùn)行周期的參數(shù)尋優(yōu)，且單次負(fù)荷預(yù)測時(shí)間小于1ms。

5 結(jié)論

本文基于核函數(shù)極限學(xué)習(xí)機(jī)，提出了包含離線參數(shù)尋優(yōu)與在線負(fù)荷預(yù)測的微電網(wǎng)短期負(fù)荷預(yù)測方法，通過算例測試分析，可得到如下結(jié)論：①對多種類型、容量的微電網(wǎng)，該方法能夠獲得較高的預(yù)測準(zhǔn)確度；②通過連續(xù)多周的微電網(wǎng)負(fù)荷預(yù)測，驗(yàn)證了預(yù)測方法在周期更新后的性能穩(wěn)定性；③該預(yù)測方法具有較高的計(jì)算效率，便于在嵌入式終端裝置上實(shí)現(xiàn)。

[1] 魯宗相, 王彩霞, 閔勇, 等. 微電網(wǎng)研究綜述[J].電力系統(tǒng)自動化, 2007, 31(19): 100-107.

Lu Zongxiang, Wang Caixia, Min Yong, et al. Overview on microgrid research[J]. Automation of Electric Power Systems, 2007, 31(19): 100-107.

[2] 陳益哲, 張步涵, 王江虹, 等. 基于短期負(fù)荷預(yù)測的微網(wǎng)儲能系統(tǒng)主動控制策略[J]. 電網(wǎng)技術(shù), 2011, 35(8): 35-40.

Chen Yizhe, Zhang Buhan, Wang Jianghong, et al. Active control strategy for microgrid energy storage system based on short-term load forecasting[J]. Power Systems Technology, 2011, 35(8): 35-40.

[3] 周念成, 鄧浩, 王強(qiáng)鋼, 等. 光伏與微型燃?xì)廨啓C(jī)混合微網(wǎng)能量管理研究[J]. 電工技術(shù)學(xué)報(bào), 2012, 27(1): 74-84.

Zhou Niancheng, Deng Hao, Wang Qianggang, et al. Energy management strategy of PV and micro-turbine hybrid micro-grid[J]. Transactions of China Electrotechnical Society, 2012, 27(1): 74-84.

[4] 劉小平, 丁明, 張穎媛, 等. 微網(wǎng)系統(tǒng)的動態(tài)經(jīng)濟(jì)調(diào)度[J]. 中國電機(jī)工程學(xué)報(bào), 2011, 31(31): 77-84.

Liu Xiaoping, Ding Ming, Zhang Yingyuan, et al. Dynamic economic dispatch for microgrids[J]. Proceedings of the Chinese Society of Electrical Engineering, 2011, 31(31): 77-84.

[5] Amjady N, Keynia F, Zareipour H. Short-term load forecast of microgrids by a new bilevel prediction strategy[J]. IEEE Transactions on Smart Grid, 2010, 1(3): 286-294.

[6] 王越, 衛(wèi)志農(nóng), 吳佳佳. 人工神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù)在微網(wǎng)運(yùn)行中的應(yīng)用[J]. 電力系統(tǒng)及其自動化學(xué)報(bào), 2012, 24(2): 83-89.

Wang Yue, Wei Zhinong, Wu Jiajia. Application of ANN prediction technology in microgrid operation[J]. Procee- dings of the CSU-EPSA, 2012, 24(2): 83-89.

[7] 陳民鈾, 朱博, 徐瑞林, 等. 基于混合智能技術(shù)的微電網(wǎng)剩余負(fù)荷超短期預(yù)測[J]. 電力自動化設(shè)備, 2012, 32(5): 13-18.

Chen Minyou, Zhu Bo, Xu Ruilin, et al. Ultra-shortterm forecasting of microgrid surplus load based on hybrid intelligence techniques[J]. Electric Power Automation Equipment, 2012, 32(5): 13-18.

[8] Ghofrani M, Hassanzadeh M, Etezadi-Amoli M, et al. Smart meter based short-term load forecasting for residential customers[C]. North American Power Symposium(NAPS), 2011: 1-5.

[9] De Silva D, Yu X, Alahakoon D, et al. Incremental pattern characterization learning and forecasting for electricity consumption using smart meters[C]. IEEE International Symposium on Industrial Electronics (ISIE), 2011: 807-812.

[10] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: theory and applications[J]. Neurocomputing, 2006, 70(1): 489-501.

[11] Huang G B, Wang D H, Lan Y. Extreme learning machines: a survey[J]. International Journal of Machine Learning and Cybernetics, 2011, 2(2): 107-122.

[12] Huang G B, Zhou H, Ding X, et al. Extreme learning machine for regression and multiclass classification [J]. Systems, Man, and Cybernetics, Part B: IEEE Transactions on Cybernetics, 2012, 42(2): 513-529.

[13] 程松, 閆建偉, 趙登福, 等. 短期負(fù)荷預(yù)測的集成改進(jìn)極端學(xué)習(xí)機(jī)方法[J]. 西安交通大學(xué)學(xué)報(bào), 2009, 43(2):106-110.

Cheng Song, Yan Jianwei, Zhao Dengfu, et al. Shortterm load forecasting method based on ensemble improved extreme learning machine[J]. Journal of Xi’an Jiaotong University, 2009, 43(2)： 106-110.

[14] 毛力, 王運(yùn)濤, 劉興陽, 等. 基于改進(jìn)極限學(xué)習(xí)機(jī)的短期電力負(fù)荷預(yù)測方法[J]. 電力系統(tǒng)保護(hù)與控制, 2012, 40(20): 140-144.

Mao Li, Wang Yuntao, Liu Xingyang, et al. Shortterm power load forecasting method based on improved extreme learning machine[J]. Power System Protection and Control, 2012, 40(20): 140-144.

[15] Nizar A H, Dong Z Y, Wang Y. Power utility nontechnical loss analysis with extreme learning machine method[J]. IEEE Transactions on Power Systems, 2008, 23(3): 946-955.

[16] Serre D. Matrices: theory and applications[M]. Germany: Springer, 2010.

[17] Toh K A. Deterministic neural classification[J]. Neural Computation, 2008, 20(6): 1565-1595.

Online Short-Term Load Forecasting Based on ELM with Kernel Algorithm in Micro-Grid Environment

Liu Nian1 Zhang Qingxin1 Liu Haitao2

（1. School of Electrical and Electronic Engineering North China Electric Power University Beijing 102206 China 2. China Electric Power Research Institute Bejing 100192 China）

Considering the cost constraints and various electrical characteristics of the small capacity user-side micro-grid constituted by single or group users, a short-term load forecasting method based on extreme learning machine with kernel(ELM_k) algorithm is proposed. The ELM_k, heuristic genetic algorithm and time division training samples are used to establish a short-term load forecasting model, including offline parameter optimization and online load forecasting. The cycle update of model parameters guarantees the timeliness of the optimum parameters, and reduces the computational complexity and storage space of the online forecasting system. The load forecasting of user-side microgrids with different capacities and types is processed, and the load forecasting accuracy, the model performance after cycle update, the micro-grid operation costs under load forecasting result and the calculation efficiency of this method are analyzed.

Micro-grid, short-term load forecasting, extreme learning machine, cycle update

TM715

劉 念 男，1981年生，博士，副教授，研究方向?yàn)樾履茉磁c智能配用電系統(tǒng)、電力系統(tǒng)信息安全。

國家自然科學(xué)基金資助項(xiàng)目（51277067），中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)基金項(xiàng)目（12MS32），國家電網(wǎng)公司科技項(xiàng)目（微電網(wǎng)應(yīng)用模式與協(xié)調(diào)控制技術(shù)研究開發(fā)及應(yīng)用）。

2013-04-11 改稿日期 2013-07-07

張清鑫 男，1988年生，碩士研究生，研究方向?yàn)樨?fù)荷特征分析、短期負(fù)荷預(yù)測。