造價(jià)通
更新時(shí)間：2024.12.28
基于徑向基函數(shù)極限學(xué)習(xí)機(jī)的短期負(fù)荷預(yù)測

格式：pdf

大小：160KB

頁數(shù)：

負(fù)荷預(yù)測對(duì)電網(wǎng)規(guī)劃和售電市場調(diào)控具有重要意義。由于電力負(fù)荷與天氣、日期、區(qū)域等多個(gè)因素密切相關(guān),存在較強(qiáng)的不確定性和非線性特征,導(dǎo)致傳統(tǒng)方法的負(fù)荷預(yù)測精度較低。為了提高負(fù)荷預(yù)測精度,提出基于正交投影徑向基函數(shù)極限學(xué)習(xí)機(jī)(OPRBF-ELM)的短期電力負(fù)荷預(yù)測算法。該算法將ELM的隱含層節(jié)點(diǎn)替換為徑向基神經(jīng)元,基于訓(xùn)練誤差二范數(shù)最小化準(zhǔn)則,采用正交投影計(jì)算輸出權(quán)值向量,并在核函數(shù)的數(shù)量取值范圍內(nèi)索引獲取使得訓(xùn)練集均方根誤差(RMSE)最小的預(yù)測負(fù)荷結(jié)果。算法預(yù)測過程中只需要設(shè)置網(wǎng)絡(luò)的徑向基神經(jīng)元(RBF)個(gè)數(shù),不需要調(diào)整輸入權(quán)值及隱含層偏差,且正交投影能較好地消除輸入樣本特征之間的相關(guān)性,快速有效得到輸出權(quán)值向量,從而提高負(fù)荷預(yù)測精度。以我國某省電動(dòng)汽車用電領(lǐng)域的負(fù)荷數(shù)據(jù)作為標(biāo)準(zhǔn)樣本進(jìn)行仿真,仿真實(shí)驗(yàn)驗(yàn)證了該算法的可行性和有效性,與支持向量機(jī)(SVM)和傳統(tǒng)RBF-ELM相比,該算法的預(yù)測精度高、泛化能力強(qiáng),具有廣泛的實(shí)用性。

基于極限學(xué)習(xí)機(jī)的燃?xì)馊肇?fù)荷預(yù)測

格式：pdf

大?。?span class="single-tag-height">523KB

頁數(shù)： 4頁

介紹極限學(xué)習(xí)機(jī)（ELM）的原理，提出極限學(xué)習(xí)機(jī)模型的城市燃?xì)舛唐谪?fù)荷預(yù)測方法。以重慶市某區(qū)域燃?xì)馊肇?fù)荷、氣溫、日期類型及天氣狀況等數(shù)據(jù)為訓(xùn)練樣本，采用歸一化等預(yù)處理方法處理輸入數(shù)據(jù)，通過確定最優(yōu)隱含層節(jié)點(diǎn)數(shù)等建立最優(yōu)極限學(xué)習(xí)機(jī)模型。將實(shí)際值和通過采用極限學(xué)習(xí)機(jī)與支持向量機(jī)（SVM）方法得到的燃?xì)馊肇?fù)荷預(yù)測值進(jìn)行對(duì)比，將采用極限學(xué)習(xí)機(jī)與支持向量機(jī)方法的訓(xùn)練時(shí)間和預(yù)測時(shí)間進(jìn)行對(duì)比，極限學(xué)習(xí)機(jī)預(yù)測方法具有較好的預(yù)測精度，且訓(xùn)練時(shí)間短。

熱門知識(shí)

好記星學(xué)習(xí)機(jī)

精華知識(shí)

好記星學(xué)習(xí)機(jī)

最新知識(shí)

好記星學(xué)習(xí)機(jī)
點(diǎn)擊加載更多>>

相關(guān)問答

好記星學(xué)習(xí)機(jī)
點(diǎn)擊加載更多>>
專題概述
好記星學(xué)習(xí)機(jī)相關(guān)專題

分類檢索：