精品文献
好记星学习机
基于径向基函数极限学习机的短期负荷预测
基于径向基函数极限学习机的短期负荷预测
负荷预测对电网规划和售电市场调控具有重要意义。由于电力负荷与天气、日期、区域等多个因素密切相关,存在较强的不确定性和非线性特征,导致传统方法的负荷预测精度较低。为了提高负荷预测精度,提出基于正交投影径向基函数极限学习机(OPRBF-ELM)的短期电力负荷预测算法。该算法将ELM的隐含层节点替换为径向基神经元,基于训练误差二范数最小化准则,采用正交投影计算输出权值向量,并在核函数的数量取值范围内索引获取使得训练集均方根误差(RMSE)最小的预测负荷结果。算法预测过程中只需要设置网络的径向基神经元(RBF)个数,不需要调整输入权值及隐含层偏差,且正交投影能较好地消除输入样本特征之间的相关性,快速有效得到输出权值向量,从而提高负荷预测精度。以我国某省电动汽车用电领域的负荷数据作为标准样本进行仿真,仿真实验验证了该算法的可行性和有效性,与支持向量机(SVM)和传统RBF-ELM相比,该算法的预测精度高、泛化能力强,具有广泛的实用性。
基于极限学习机的燃气日负荷预测
基于极限学习机的燃气日负荷预测
介绍极限学习机（ELM）的原理，提出极限学习机模型的城市燃气短期负荷预测方法。以重庆市某区域燃气日负荷、气温、日期类型及天气状况等数据为训练样本，采用归一化等预处理方法处理输入数据，通过确定最优隐含层节点数等建立最优极限学习机模型。将实际值和通过采用极限学习机与支持向量机（SVM）方法得到的燃气日负荷预测值进行对比，将采用极限学习机与支持向量机方法的训练时间和预测时间进行对比，极限学习机预测方法具有较好的预测精度，且训练时间短。