Resumen

Disponer de mtodos de previsin de la carga elctrica precisos y estables es esencial para la asignacin racional de los recursos energticos y el funcionamiento de la red. Debido a la naturaleza no lineal de las cargas de potencia, es difcil que un nico mtodo de previsin complete la tarea de previsin con precisin y rapidez. En este estudio se propone un nuevo modelo combinado para la previsin de las cargas elctricas. Los pesos y umbrales iniciales de la mquina de aprendizaje extremo (ELM) optimizados por el algoritmo de bsqueda de gorrin catico (CSSA) y mejorados por el algoritmo de lucirnaga (FA) se utilizan para mejorar el rendimiento de la previsin y lograr una previsin precisa. El ptimo local temprano que existe en el algoritmo sparrow se supera mediante el mapeo catico Tent. Se utiliza una estrategia de perturbacin de lucirnagas para mejorar la capacidad de optimizacin global del modelo. Se utilizan valores reales de una red elctrica de Shandong para validar el rendimiento de prediccin del modelo FA-CSSA-ELM propuesto. Los experimentos muestran que el modelo propuesto produce resultados de prediccin ms precisos que otros modelos de prediccin simples o combinados.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Previsión de la carga eléctrica; Modelo combinado; Máquina de aprendizaje extremo; Algoritmo caótico de búsqueda del gorrión; Algoritmo de la luciérnaga; Resultados de la previsión
• Keywords:Power load forecasting; Combined model; Extreme learning machine; Chaotic sparrow search algorithm; Firefly algorithm; Forecasting performance