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 77
- 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
基于粒子群优化的极限学习机冰蓄冷空调负荷预测 644KB
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
基于人工神经网络的短期负荷预测的研究 271KB
基于混沌蚁群算法的电力短期负荷预测 142KB
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SVM短期电力负荷预测模型研究 157KB