随机配置网络在短时电力负荷曲线预测中的应用

传统梯度类神经网络负荷预测模型在面对高维度、大规模负荷数据集时,存在模型构建复杂、训练时间长等问题.为提高负荷曲线预测模型训练的时效性和预测准确性,提出了一种基于随机配置网络的短时电力负荷曲线预测方法.首先针对弱局部负荷波动对预测模型的影响,利用Savitzky-Golay滤波器对负荷时序平滑进行处理,将时序滤波处理后的负荷序列、节假日、气象等数据作为预测模型的输入组成部分.在此基础上,发挥随机配置网络模型的随机增量学习优势,完成负荷曲线预测模型的训练.利用某电厂采集的短时负荷数据及其影响因素数据对模型的预测效果进行验证,仿真结果表明,随机配置网络预测模型相较于深度神经网络模型在模型训练的时间效率方面更具优势,预测的效果基本与深度神经网络模型接近.