基于径向基函数极限学习机的短期负荷预测
100 积分
50
评分
4.5 积分- 详情
- 2021-09-19
- 简介
pdf
- 160KB
- 页数 未知
- 阅读 74
- 下载 34
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。
对不起，您暂无在线预览权限，如需浏览请
立即登录热门商品
相关推荐
基于径向基函数极限学习机的短期负荷预测 160KB
基于改进极限学习机的短期电力负荷预测方法 871KB
基于极限学习机的燃气日负荷预测 523KB
基于改进遗传算法优化极限学习机的短期电力负荷预测 280KB
基于粒子群算法的极限学习机短期电力负荷预测 2.5MB
基于粒子群优化的极限学习机冰蓄冷空调负荷预测 644KB
基于云计算和极限学习机的分布式电力负荷预测算法 484KB
基于混沌支持向量回归机的短期空调负荷预测 365KB
一种结合互补集合经验模态分解和小波核极限学习机的短期电力负荷预测模型 407KB
基于人工神经网络的短期负荷预测的研究 271KB