计算机应用研究

作者：张秋桥,王冰,汪海姗,

单位：河海大学能源与电气学院,南京211100；

关键词：最大相关熵准则,损失函数,极限学习机,鲁棒性,短期负荷预测,

基金：国家自然科学基金资助项目(51777058)；；

当前对于短期负荷预测的研究主要针对影响因素的分析以及模型的改进，很少有对模型的鲁棒性进行研究。以极限学习机（extreme learning machine，ELM）作为研究对象，针对ELM模型的鲁棒性问题进行了深入的研究，并将其应用到短期负荷预测问题中。ELM模型的鲁棒性受损失函数的影响，当前ELM模型在处理含异常点样本时，鲁棒性差、预测精度较低。针对该问题，提出了一种基于p阶最大相关熵准则的损失函数，并将该损失函数应用到ELM模型中，以提高其在短期负荷预测问题中的鲁棒性。提出了一种估计实际样本中异常点百分比的计算方法，在建立短期负荷预测模型之前，估计出实际负荷样本中的异常点百分比。仿真结果表明，在异常点超过12%的样本中，提出的算法模型具有更好的鲁棒性以及预测精度。

来源：2021年第12期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2021年第12期