基于K-SVD-OMP的稀疏表示方法在电力负荷预测中的应用

针对中期或短期电力负荷预测,提出一种基于稀疏表示的特征提取建模方法。为构建预测模型,将历史电力负荷等数据构成具有时延的输入—输出数据对,将时延输入数据向量作为初始字典,采用K均值—奇异值分解(K-SVD)算法将其进行稀疏分解与变换至稀疏域以得到学习后的字典。进一步,由正交匹配追踪(OMP)算法获取相应的稀疏编码向量,再将该向量作为核极限学习机(KELM)的输入来构建全局回归模型。为了验证该方法的有效性,将所提出的方法用于不同地区的中期或短期电力负荷预测中,在同等条件下还与单一KELM、支持向量机(SVM)、极限学习机(ELM)方法以及非字典学习的其他稀疏表示建模方法进行了比较。实验结果表明,不同的稀疏表示建模方法均能取得很好的预测效果,其中所提方法具有更好的预测效果,显示出其有效性。