CN105354646A - 一种混合粒子群优化与极限学习机的电力负荷预测方法 - Google Patents

Abstract

本发明涉及用电负荷预测技术领域，特别是一种混合粒子群优化与极限学习机的电力负荷预测方法，所述方法包括如下步骤：首先，对电力负荷数据进行预处理，之后采用混合粒子群优化与极限学习机的电力负荷预测方法对电力负荷历史数据进行训练，生成电力负荷预测的极限学习机模型；最后利用生成的极限学习机模型计算未来时刻的电力负荷的预测值。该方法结合粒子群优化对极限学习机方法进行改进，解决极限学习机在电力负荷预测时存在的稳定性问题，该方法可以从历史的电力负荷数据中挖掘出电力负荷数据的特性进而生成稳定的极限学习机预测模型，并对未来的电力负荷数据进行预测，并且有较高的准确度。

Description

一种混合粒子群优化与极限学习机的电力负荷预测方法

技术领域

本发明涉及电力负荷预测技术领域，特殊涉及一种混合粒子群优化与极限学习机的电力负荷预测方法。

背景技术

电力负荷是电力系统中所有用电设备所耗用的功率。智能电网已成为国内外电力工业关注的焦点。而智能电网构建离不开负荷预测的支持。精确的电力负荷预测可以为制定发电计划和输电方案提供依据，保证电力系统的正常运行。随着科技的发展和各种智能设备的增加，设备获取的各类数据类型多样化、价值密度低。传统的单机处理方法很难有效从这些价值密度低，种类复杂的负荷数据中掘取、处理并整理成能帮助电力公司管理者决策的信息。如何从这些多样、复杂的电力信息中了解并预测出未来时刻的电力负荷值成为一个具有挑战性的研究课题。

近年来，基于数据挖掘方法进行电力负荷预测引起了学者们的关注，这些方法包括决策树、神经网络、时间序列预测等。然而，这些方法相比于极限学习机方法获得的预测结果误差较大。然而，基于极限学习机直接进行电力负荷数据的预测，会受到极限学习机本身随机性的影响，造成算法的稳定性不高，每次预测结果的差距比较大。此外，由于极限学习机算法自身限制，每次运行极限学习机时需要指定隐含层节点的个数，但不同应用场景对这个参数的要求是不一致的，因此需要找到一种方法能够根据不同的应用场景自动确定出最适合的隐含层节点个数。有研究人员借鉴了粒子群算法的思想，对极限学习机的最优输入权值及隐含层节点阈值进行搜索，但是没有对隐含层节点个数的选取进行讨论。此外，如何高效地处理这些复杂的电力负荷数据获得较为准确的预测结果也是未来的一个研究方向。

综上，现有的电力负荷预测方法尚有很大的提升空间。面对复杂的电力负荷数据，现有方法无论是在效果和效率上都难以满足要求。

发明内容

本发明的目的在于克服现有技术的不足，提供一种混合粒子群优化与极限学习机的电力负荷预测方法，该方法可以从历史的电力负荷数据中挖掘出电力负荷数据的特性进而生成稳定的极限学习机，从而对未来的电力负荷数据进行预测，并且具有较高的准确度。

为实现上述目的，本发明的技术方案是：一种混合粒子群优化与极限学习机的电力负荷预测方法，包括如下步骤：

步骤A：对电力负荷数据进行预处理；

步骤B：采用混合粒子群优化与极限学习机的电力负荷预测方法对电力负荷数据进行训练，生成电力负荷预测的极限学习机模型；

步骤C：利用步骤B构建的极限学习机模型计算未来时刻的电力负荷的预测值。

进一步地，所述步骤A中，对电力负荷数据进行预处理，包括以下步骤：

步骤A1：计算不同采集频率下的电力负荷数据序列的波动率；

步骤A2：选择波动率最小的采集频率下的电力负荷数据序列来学习模型；

步骤A3：填充电力负荷数据序列中的缺失值；

步骤A4：对电力负荷数据序列中的每一维属性值进行归一化；

步骤A5：采用特征选择算法对电力负荷数据序列进行特征选择，选取属性子集，使所述属性子集中的每个属性和电力负荷值的关联性高于第一阈值，但各属性间的关联性低于第二阈值。

进一步地，所述步骤A1中，电力负荷数据序列的波动率用于反映电力负荷数据序列的稳定性，以确定哪一种采集频率下的电力负荷数据序列最稳定，其计算公式如下：

其中，flu(Y)表示电力负荷数据序列Y的波动率，N表示电力负荷数据序列Y的长度，y _i 为第i条电力负荷数据中的电力负荷值，表示电力负荷数据序列Y中电力负荷值的均值；计算不同采集频率下的电力负荷数据序列的波动率，波动率越大，表示这个采集频率统计出来的数据越偏离均值，含有噪声数据量更多，因此选择波动率最小的电力负荷数据序列。

进一步地，所述步骤A3中，填充电力负荷数据序列中的缺失值所采用的填充规则为：取相邻采集时刻的电力负荷值的加权和，其计算公式如下：

其中，y(d,t)表示第d天第t小时的电力负荷值，y(d-1,t)表示第d-1天第t小时的电力负荷值，y(d+1,t)表示第d+1天第t小时的电力负荷值，ω ₁、ω ₂分别为y(d-1,t)和y(d+1,t)的权重；通过使用相邻若干天的正常电力负荷数据的加权平均值对电力负荷数据序列中的缺失值进行填充，以减小误差，并保证电力负荷数据的连续性。

进一步地，所述步骤A4中，对电力负荷数据序列中每条记录的电力负荷数据及每一维属性值进行归一化，所采用的归一化方法为最大最小归一化，其计算公式如下：

其中，对于电力负荷数据序列Y中的第i条电力负荷数据Y _i ，表示为，Y _i 的属性集的维度为m，p _ik 为Y _i 的第k维属性，Normalized(y _i )表示对第i条电力负荷数据的电力负荷值y _i 进行归一化，Normalized(p _ij )表示对电力负荷数据序列Y中第i条电力负荷数据Y _i 的第j维属性p _ij 进行归一化后，y _max 为电力负荷数据序列Y中电力负荷的最大值，y _min 为电力负荷数据序列Y中电力负荷的最小值，p _max,j 为电力负荷数据序列Y中第j维属性的所有取值中的最大值，p _min,j 为电力负荷数据序列Y中第j维属性的所有取值中的最小值。

进一步地，所述步骤B中，采用混合粒子群优化与极限学习机的电力负荷预测方法对电力负荷数据进行训练，生成电力负荷预测的极限学习机模型，包括以下步骤：

步骤B1：将极限学习机随机产生的输入权值及隐含层节点阈值编码成粒子个体，并初始化粒子；

步骤B2：根据粒子编码中所确定的输入权值及隐含层节点阈值，采用极限学习机对训练集进行预测，并根据预测结果计算每个粒子的适应度，以最大化适应度作为优化目标；

步骤B3：根据步骤B2计算得到的适应度，记录粒子的群体最优以及个体历史最优；

步骤B4：对粒子进行变异操作；

步骤B5：根据群体最优以及个体局部最优对粒子的速度和位置进行更新；

步骤B6：如果迭代次数达到指定次数或者粒子连续两次的历史最优值的变化小于指定阈值时，结束粒子的搜索过程，并转步骤B7，否则跳转到步骤B2；

步骤B7：选择步骤B6获得的最优的粒子，解析粒子编码，获得最优的输入权值及隐含层节点阈值，构建电力负荷预测的极限学习机模型。

进一步地，所述步骤B1中，将极限学习机随机产生的输入权值及隐含层节点阈值编码成粒子个体，使用粒子群算法初始化粒子，粒子的位置和速度均使用(d+1)×L维矩阵表示，粒子x的位置编码如下：

其中d是电力负荷数据的属性个数，L是极限学习机的隐含层节点个数，为极限学习机的输入权值，为极限学习机的隐含层节点阈值，粒子x的编码矩阵中每个值的取值范围为[-1,1]，即-1≤x _i,j ≤1；粒子x的长度为|x|=L*(d+1)，和极限学习机的隐含层节点的个数有关，采用随机方式来初始化每个粒子的值以及隐含层节点的个数L。

进一步地，所述步骤B2中，采用极限学习机计算每个粒子的适应度，适应度fitness的计算公式如下：

其中A _i 是极限学习机的电力负荷数据训练集中第i条电力负荷数据的电力负荷真实值，F _i 是第i条电力负荷数据的电力负荷预测值，n是电力负荷数据训练集的大小，即用于极限学习机训练的电力负荷数据的数量；根据适应度的定义，电力负荷数据的真实值和预测值之间的误差越小，则适应度的值越大，因此粒子群优化的优化目标是最大化适应度。

进一步地，所述步骤B4中，对粒子进行变异操作，变异操作主要改变粒子的长度，即改变极限学习机的网络结构中隐含层节点的个数L，变异操作的公式如下：

其中，Rand()产生一个[0,1]之间的随机数，L ^t+1表示变异操作后的隐含层节点的个数，L ^t 表示变异操作前的隐含层节点的个数；通过改变极限学习机的网络结构中隐含层节点的个数L，粒子群优化过程中下一轮迭代时粒子的长度改变为L ^t+1×(d+1)，表示向下取整；

在粒子进行变异操作后，如果粒子的长度增加，V ^t (i)、X ^t (i)、pBest ^t (i)、gBest ^t 的调整规则如下：

其中V ^t (i)为第t轮迭代时第i个粒子速度的编码矩阵，X ^t (i)为第t轮迭代时第i个粒子位置的编码矩阵，pBest ^t (i)为第t轮迭代时第i个粒子的个体历史最优位置的编码矩阵，gBest ^t 为第t轮迭代时整个种群的全局最优位置的编码矩阵，v ^t _k,j (i)为V ^t (i)的速度编码矩阵中第k行第j列的值，x ^t _k,j (i)为X ^t (i)的位置编码矩阵中第k行第j列的值，pBest ^t _k,j (i)为pBest ^t (i)的编码矩阵中第k行第j列的值，gBest ^t _k,j 为gBest ^t 的编码矩阵中第k行第j列的值；

在粒子进行变异操作后，如果粒子的长度缩短，则V ^t (i)、X ^t (i)、pBest ^t (i)、gBest ^t 的调整规则如下：对矩阵进行截断，保留1到L ^t+1列的矩阵元素；随后根据步骤B5进行更新操作；

在粒子进行变异操作后，如果粒子的长度不变，则V ^t (i)、X ^t (i)、pBest ^t (i)、gBest ^t 不进行调整，随后根据步骤B5进行更新操作；

在完成上述的粒子的变异操作后，V ^t (i)、X ^t (i)、pBest ^t (i)、gBest ^t 随后在步骤B5中再进行更新操作。

进一步地，所述步骤B5中，根据群体最优以及个体历史最优对粒子的速度和位置进行更新，更新规则如下：

其中V ^t (i)为第t轮迭代时第i个粒子速度的编码矩阵，X ^t (i)为第t轮迭代时第i个粒子位置的编码矩阵，pBest ^t (i)为第t轮迭代时第i个粒子的个体历史最优位置的编码矩阵，gBest ^t 为第t轮迭代时整个种群的全局最优位置的编码矩阵，V ^t+1(i)为第t+1轮迭代时第i个粒子速度的编码矩阵，X ^t+1(i)为第t+1轮迭代时的第i个粒子位置的编码矩阵；ω为惯性系数，c ₁和c ₂是学习因子，r ₁和r ₂是随机数。

本发明的有益效果是结合粒子群优化对极限学习机方法进行改进，提供了一种混合粒子群优化与极限学习机的新型电力负荷预测方法，该方法从历史的电力负荷数据中挖掘出电力负荷数据的特性，进而生成稳定的极限学习机，以此对未来的电力负荷数据进行预测，解决了极限学习机在电力负荷预测时存在的稳定性问题，克服了直接应用极限学习机进行电力负荷数据预测存在的预测结果误差大的问题，大大提高了预测的准确性，具有很强的实用性和应用前景。

附图说明

图1是本发明方法的实现流程图。

图2是本发明方法中步骤A的实现流程图。

图3是本发明方法中步骤B的实现流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的说明。

图1是本发明的一种混合粒子群优化与极限学习机的电力负荷预测方法的实现流程图。如图1所示，本发明方法包括如下步骤：

步骤A：对电力负荷数据进行预处理。如图2所示，步骤A具体包括以下步骤：

步骤A1：计算不同采集频率下的电力负荷数据序列的波动率。电力负荷数据序列的波动率用于反映电力负荷数据序列的稳定性，以确定哪一种采集频率下的电力负荷数据序列最稳定，其计算公式如下：

其中，flu(Y)表示电力负荷数据序列Y的波动率，N表示电力负荷数据序列Y的长度，y _i 为第i条电力负荷数据中的电力负荷值，表示电力负荷数据序列Y中电力负荷值的均值；电力负荷数据可以按小时、按天、按周等不同采集频率进行统计，计算不同采集频率下的电力负荷数据序列的波动率，波动率越大，表示这个采集频率统计出来的数据越偏离均值，含有噪声数据量可能更多，因此选择波动率最小的电力负荷数据序列。

步骤A2：选择波动率最小的采集频率下的电力负荷数据序列来学习模型。

步骤A3：填充电力负荷数据序列中的缺失值。填充电力负荷数据序列中的缺失值所采用的填充规则为：取相邻采集时刻的电力负荷值的加权和，其计算公式如下：

其中，y(d,t)表示第d天第t小时的电力负荷值，y(d-1,t)表示第d-1天第t小时的电力负荷值，y(d+1,t)表示第d+1天第t小时的电力负荷值，ω ₁、ω ₂分别为y(d-1,t)和y(d+1,t)的权重，默认取值为0.5；通过使用相邻若干天的正常电力负荷数据的加权平均值对电力负荷数据序列中的缺失值进行填充，以减小误差，并保证电力负荷数据的连续性。

步骤A4：对电力负荷数据序列中的每一维属性值进行归一化。对电力负荷数据序列中每条记录的电力负荷数据及每一维属性值进行归一化，所采用的归一化方法为最大最小归一化，其计算公式如下：

其中，对于电力负荷数据序列Y中的第i条电力负荷数据Y _i ，表示为，Y _i 的属性集的维度为m，p _ik 为Y _i 的第k维属性，Normalized(y _i )表示对第i条电力负荷数据的电力负荷值y _i 进行归一化，Normalized(p _ij )表示对电力负荷数据序列Y中第i条电力负荷数据Y _i 的第j维属性p _ij 进行归一化后，y _max 为电力负荷数据序列Y中电力负荷的最大值，y _min 为电力负荷数据序列Y中电力负荷的最小值，p _max,j 为电力负荷数据序列Y中第j维属性的所有取值中的最大值，p _min,j 为电力负荷数据序列Y中第j维属性的所有取值中的最小值。

步骤A5：采用特征选择算法对电力负荷数据序列进行特征选择，选取属性子集，使所述属性子集中的每个属性和电力负荷值的关联性高于第一阈值，但各属性间的关联性低于第二阈值。

步骤B：采用混合粒子群优化与极限学习机的电力负荷预测方法对电力负荷数据进行训练，生成电力负荷预测的极限学习机模型。如图3所示，步骤B具体包括以下步骤：

步骤B1：将极限学习机随机产生的输入权值及隐含层节点阈值编码成粒子个体，并初始化粒子。

具体的，将极限学习机随机产生的输入权值及隐含层节点阈值编码成粒子个体，使用粒子群算法初始化粒子，粒子的位置和速度均使用(d+1)×L维矩阵表示，粒子x的位置编码如下：

其中d是电力负荷数据的属性个数，L是极限学习机的隐含层节点个数，为极限学习机的输入权值，为极限学习机的隐含层节点阈值，粒子x的编码矩阵中每个值的取值范围为[-1,1]，即-1≤x _i,j ≤1；粒子x的长度为|x|=L*(d+1)，和极限学习机的隐含层节点的个数有关，采用随机方式来初始化每个粒子的值以及隐含层节点的个数L。

步骤B2：根据粒子编码中所确定的输入权值及隐含层节点阈值，采用极限学习机对训练集进行预测，并根据预测结果计算每个粒子的适应度，以最大化适应度作为优化目标。

具体的，采用极限学习机计算每个粒子的适应度，适应度fitness的计算公式如下：

其中A _i 是极限学习机的电力负荷数据训练集中第i条电力负荷数据的电力负荷真实值，F _i 是第i条电力负荷数据的电力负荷预测值，n是电力负荷数据训练集的大小，即用于极限学习机训练的电力负荷数据的数量；根据适应度的定义，电力负荷数据的真实值和预测值之间的误差越小，则适应度的值越大，因此粒子群优化的优化目标是最大化适应度。

步骤B3：根据步骤B2计算得到的适应度，记录粒子的群体最优以及个体历史最优。

步骤B4：对粒子进行变异操作。变异操作主要改变粒子的长度，即改变极限学习机的网络结构中隐含层节点的个数L，变异操作的公式如下：

其中，Rand()产生一个[0,1]之间的随机数，L ^t+1表示变异操作后的隐含层节点的个数，L ^t 表示变异操作前的隐含层节点的个数；通过改变极限学习机的网络结构中隐含层节点的个数L，粒子群优化过程中下一轮迭代时粒子的长度改变为L ^t+1×(d+1)，表示向下取整；

在粒子进行变异操作后，如果粒子的长度增加，V ^t (i)、X ^t (i)、pBest ^t (i)、gBest ^t 的调整规则如下：

其中V ^t (i)为第t轮迭代时第i个粒子速度的编码矩阵，X ^t (i)为第t轮迭代时第i个粒子位置的编码矩阵，pBest ^t (i)为第t轮迭代时第i个粒子的个体历史最优位置的编码矩阵，gBest ^t 为第t轮迭代时整个种群的全局最优位置的编码矩阵，v ^t _k,j (i)为V ^t (i)的速度编码矩阵中第k行第j列的值，x ^t _k,j (i)为X ^t (i)的位置编码矩阵中第k行第j列的值，pBest ^t _k,j (i)为pBest ^t (i)的编码矩阵中第k行第j列的值，gBest ^t _k,j 为gBest ^t 的编码矩阵中第k行第j列的值；

在粒子进行变异操作后，如果粒子的长度缩短，则V ^t (i)、X ^t (i)、pBest ^t (i)、gBest ^t 的调整规则如下：对矩阵进行截断，保留1到L ^t+1列的矩阵元素；随后根据步骤B5进行更新操作；

在粒子进行变异操作后，如果粒子的长度不变，则V ^t (i)、X ^t (i)、pBest ^t (i)、gBest ^t 不进行调整，随后根据步骤B5进行更新操作；

在完成上述的粒子的变异操作后，V ^t (i)、X ^t (i)、pBest ^t (i)、gBest ^t 随后在步骤B5中再进行更新操作。

步骤B5：根据群体最优以及个体局部最优对粒子的速度和位置进行更新。更新规则如下：

其中V ^t (i)为第t轮迭代时第i个粒子速度的编码矩阵，X ^t (i)为第t轮迭代时第i个粒子位置的编码矩阵，pBest ^t (i)为第t轮迭代时第i个粒子的个体历史最优位置的编码矩阵，gBest ^t 为第t轮迭代时整个种群的全局最优位置的编码矩阵，V ^t+1(i)为第t+1轮迭代时第i个粒子速度的编码矩阵，X ^t+1(i)为第t+1轮迭代时的第i个粒子位置的编码矩阵；ω为惯性系数，c ₁和c ₂是学习因子，通常取2，r ₁和r ₂是随机数，取值范围为[0,1]。

步骤B6：如果迭代次数达到指定次数或者粒子连续两次的历史最优值的变化小于指定阈值时，结束粒子的搜索过程，并转步骤B7，否则跳转到步骤B2。

步骤B7：选择步骤B6获得的最优的粒子，解析粒子编码，获得最优的输入权值及隐含层节点阈值，构建电力负荷预测的极限学习机模型。

步骤C：利用步骤B构建的极限学习机模型计算未来时刻的电力负荷的预测值。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (10)

1.一种混合粒子群优化与极限学习机的电力负荷预测方法，其特征在于，包括如下步骤：

步骤A：对电力负荷数据进行预处理；

步骤B：采用混合粒子群优化与极限学习机的电力负荷预测方法对电力负荷数据进行训练，生成电力负荷预测的极限学习机模型；

步骤C：利用步骤B构建的极限学习机模型计算未来时刻的电力负荷的预测值。

2.根据权利要求1所述的一种混合粒子群优化与极限学习机的电力负荷预测方法，其特征在于，所述步骤A中，对电力负荷数据进行预处理，包括以下步骤：

步骤A1：计算不同采集频率下的电力负荷数据序列的波动率；

步骤A2：选择波动率最小的采集频率下的电力负荷数据序列来学习模型；

步骤A3：填充电力负荷数据序列中的缺失值；

步骤A4：对电力负荷数据序列中的每一维属性值进行归一化；

步骤A5：采用特征选择算法对电力负荷数据序列进行特征选择，选取属性子集，使所述属性子集中的每个属性和电力负荷值的关联性高于第一阈值，但各属性间的关联性低于第二阈值。

3.根据权利要求2所述的一种混合粒子群优化与极限学习机的电力负荷预测方法，其特征在于，所述步骤A1中，电力负荷数据序列的波动率用于反映电力负荷数据序列的稳定性，以确定哪一种采集频率下的电力负荷数据序列最稳定，其计算公式如下：

其中，flu(Y)表示电力负荷数据序列Y的波动率，N表示电力负荷数据序列Y的长度，y _i 为第i条电力负荷数据中的电力负荷值，表示电力负荷数据序列Y中电力负荷值的均值；计算不同采集频率下的电力负荷数据序列的波动率，波动率越大，表示这个采集频率统计出来的数据越偏离均值，含有噪声数据量更多，因此选择波动率最小的电力负荷数据序列。

4.根据权利要求2所述的一种混合粒子群优化与极限学习机的电力负荷预测方法，其特征在于，所述步骤A3中，填充电力负荷数据序列中的缺失值所采用的填充规则为：取相邻采集时刻的电力负荷值的加权和，其计算公式如下：

其中，y(d,t)表示第d天第t小时的电力负荷值，y(d-1,t)表示第d-1天第t小时的电力负荷值，y(d+1,t)表示第d+1天第t小时的电力负荷值，ω ₁、ω ₂分别为y(d-1,t)和y(d+1,t)的权重；通过使用相邻若干天的正常电力负荷数据的加权平均值对电力负荷数据序列中的缺失值进行填充，以减小误差，并保证电力负荷数据的连续性。

5.根据权利要求2所述的一种混合粒子群优化与极限学习机的电力负荷预测方法，其特征在于，所述步骤A4中，对电力负荷数据序列中每条记录的电力负荷数据及每一维属性值进行归一化，所采用的归一化方法为最大最小归一化，其计算公式如下：

其中，对于电力负荷数据序列Y中的第i条电力负荷数据Y _i ，表示为，Y _i 的属性集的维度为m，p _ik 为Y _i 的第k维属性，Normalized(y _i )表示对第i条电力负荷数据的电力负荷值y _i 进行归一化，Normalized(p _ij )表示对电力负荷数据序列Y中第i条电力负荷数据Y _i 的第j维属性p _ij 进行归一化后，y _max 为电力负荷数据序列Y中电力负荷的最大值，y _min 为电力负荷数据序列Y中电力负荷的最小值，p _max,j 为电力负荷数据序列Y中第j维属性的所有取值中的最大值，p _min,j 为电力负荷数据序列Y中第j维属性的所有取值中的最小值。

6.根据权利要求1所述的一种混合粒子群优化与极限学习机的电力负荷预测方法，其特征在于，所述步骤B中，采用混合粒子群优化与极限学习机的电力负荷预测方法对电力负荷数据进行训练，生成电力负荷预测的极限学习机模型，包括以下步骤：

步骤B1：将极限学习机随机产生的输入权值及隐含层节点阈值编码成粒子个体，并初始化粒子；

步骤B2：根据粒子编码中所确定的输入权值及隐含层节点阈值，采用极限学习机对训练集进行预测，并根据预测结果计算每个粒子的适应度，以最大化适应度作为优化目标；

步骤B3：根据步骤B2计算得到的适应度，记录粒子的群体最优以及个体历史最优；

步骤B4：对粒子进行变异操作；

步骤B5：根据群体最优以及个体局部最优对粒子的速度和位置进行更新；

步骤B6：如果迭代次数达到指定次数或者粒子连续两次的历史最优值的变化小于指定阈值时，结束粒子的搜索过程，并转步骤B7，否则跳转到步骤B2；

步骤B7：选择步骤B6获得的最优的粒子，解析粒子编码，获得最优的输入权值及隐含层节点阈值，构建电力负荷预测的极限学习机模型。

7.根据权利要求6所述的一种混合粒子群优化与极限学习机的电力负荷预测方法，其特征在于，所述步骤B1中，将极限学习机随机产生的输入权值及隐含层节点阈值编码成粒子个体，使用粒子群算法初始化粒子，粒子的位置和速度均使用(d+1)×L维矩阵表示，粒子x的位置编码如下：

其中d是电力负荷数据的属性个数，L是极限学习机的隐含层节点个数，为极限学习机的输入权值，为极限学习机的隐含层节点阈值，粒子x的编码矩阵中每个值的取值范围为[-1,1]，即-1≤x _i,j ≤1；粒子x的长度为|x|=L*(d+1)，和极限学习机的隐含层节点的个数有关，采用随机方式来初始化每个粒子的值以及隐含层节点的个数L。

8.根据权利要求6所述的一种混合粒子群优化与极限学习机的电力负荷预测方法，其特征在于，所述步骤B2中，采用极限学习机计算每个粒子的适应度，适应度fitness的计算公式如下：

其中A _i 是极限学习机的电力负荷数据训练集中第i条电力负荷数据的电力负荷真实值，F _i 是第i条电力负荷数据的电力负荷预测值，n是电力负荷数据训练集的大小，即用于极限学习机训练的电力负荷数据的数量；根据适应度的定义，电力负荷数据的真实值和预测值之间的误差越小，则适应度的值越大，因此粒子群优化的优化目标是最大化适应度。

9.根据权利要求6所述的一种混合粒子群优化与极限学习机的电力负荷预测方法，其特征在于，所述步骤B4中，对粒子进行变异操作，变异操作主要改变粒子的长度，即改变极限学习机的网络结构中隐含层节点的个数L，变异操作的公式如下：

其中，Rand()产生一个[0,1]之间的随机数，L ^t+1表示变异操作后的隐含层节点的个数，L ^t 表示变异操作前的隐含层节点的个数；通过改变极限学习机的网络结构中隐含层节点的个数L，粒子群优化过程中下一轮迭代时粒子的长度改变为L ^t+1×(d+1)，表示向下取整；

在粒子进行变异操作后，如果粒子的长度增加，V ^t (i)、X ^t (i)、pBest ^t (i)、gBest ^t 的调整规则如下：

其中V ^t (i)为第t轮迭代时第i个粒子速度的编码矩阵，X ^t (i)为第t轮迭代时第i个粒子位置的编码矩阵，pBest ^t (i)为第t轮迭代时第i个粒子的个体历史最优位置的编码矩阵，gBest ^t 为第t轮迭代时整个种群的全局最优位置的编码矩阵，v ^t _k,j (i)为V ^t (i)的速度编码矩阵中第k行第j列的值，x ^t _k,j (i)为X ^t (i)的位置编码矩阵中第k行第j列的值，pBest ^t _k,j (i)为pBest ^t (i)的编码矩阵中第k行第j列的值，gBest ^t _k,j 为gBest ^t 的编码矩阵中第k行第j列的值；

在粒子进行变异操作后，如果粒子的长度缩短，则V ^t (i)、X ^t (i)、pBest ^t (i)、gBest ^t 的调整规则如下：对矩阵进行截断，保留1到L ^t+1列的矩阵元素；随后根据步骤B5进行更新操作；

在粒子进行变异操作后，如果粒子的长度不变，则V ^t (i)、X ^t (i)、pBest ^t (i)、gBest ^t 不进行调整，随后根据步骤B5进行更新操作；

在完成上述的粒子的变异操作后，V ^t (i)、X ^t (i)、pBest ^t (i)、gBest ^t 随后在步骤B5中再进行更新操作。

10.根据权利要求6所述的一种混合粒子群优化与极限学习机的电力负荷预测方法，其特征在于，所述步骤B5中，根据群体最优以及个体历史最优对粒子的速度和位置进行更新，更新规则如下：

其中V ^t (i)为第t轮迭代时第i个粒子速度的编码矩阵，X ^t (i)为第t轮迭代时第i个粒子位置的编码矩阵，pBest ^t (i)为第t轮迭代时第i个粒子的个体历史最优位置的编码矩阵，gBest ^t 为第t轮迭代时整个种群的全局最优位置的编码矩阵，V ^t+1(i)为第t+1轮迭代时第i个粒子速度的编码矩阵，X ^t+1(i)为第t+1轮迭代时的第i个粒子位置的编码矩阵；ω为惯性系数，c ₁和c ₂是学习因子，r ₁和r ₂是随机数。