《表1 常用电力负荷预测模型对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于分解集成策略和多目标优化算法的混合预测模型在电力负荷预测中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

一直以来，学者们对电力负荷预测进行了大量研究，取得了明显的成果。常见的预测方法主要包括支持向量机（SVM)[1]、整合移动平均自回归模型（ARIMA）、极限学习机（ELM)[2]和灰色模型[3]等，随着研究的深入，预测方法也逐渐被完善。黄伟等[4]运用指数平滑法将有起伏变化的原始数据序列变换成近于指数增长的新样本数据序列。然后采用灰色方法进行预测，提高了预测精度，取得了满意的结果。Li等[5]使用加权ELM方法用于处理不平衡类分布的数据，并根据Adaboost框架的训练样本的重要性确定适当的样本权重，但在处理复杂数据时预测不准确。Cao等[6]将ENN应用于非线性动力系统的辨识，均在一定程度上提高了电力负荷的预测准确性。马立新等[7]通过SOM特征提取找出与预测日同类型的历史数据作为训练样本，然后建立ELM模型，实验结果证实了预测模型得良好性能。表1中列出了常用电力负荷预测模型的实用性、优越性及局限性。