基于粒子群算法的极限学习机短期电力负荷预测

基于粒子群算法的极限学习机短期电力负荷预测

论文摘要

为了优化极限学习机的参数,提高短期负荷预测的准确率,提出一种改进粒子群算法的极限学习机(CSPSO-ELM)预测模型。该模型利用粒子群算法(particleswarmoptimization,PSO)寻找极限学习机(ELM)网络中最优的输入权值和隐层偏差值,得到输出权值矩阵,以达到减少随机参数误差的目的。同时引入混沌自适应策略,增强粒子群算法的多样性,防止粒子群陷入局部收敛。在充分考虑天气、湿度、假日因素和当地工业产值对预测结果的影响下,提出一种基于该方法的极限学习机预测模型。最后,针对扬州市高新区用电总量预测问题,通过与其它模型的对比实验,证明了改进的粒子群算法优化了极限学习机的参数结构,提高了电力负荷预测的精准度。

论文目录

  • 0 引言
  • 1 极限学习机
  • 2 基于改进粒子群优化的极限学习机
  •   2.1 混沌粒子群
  •   2.2 自适应策略
  • 3 实验及结果分析
  •   3.1 数据处理评价指标
  •   3.2 评价指标
  •   3.3 预测精度分析
  • 4 结论
  • 文章来源

    类型: 期刊论文

    作者: 李杰,靳孟宇,马士豪

    关键词: 粒子群算法,极限学习机,自适应策略,短期电力负荷预测

    来源: 制造业自动化 2019年01期

    年度: 2019

    分类: 工程科技Ⅱ辑,信息科技

    专业: 电力工业,自动化技术

    单位: 河北工业大学经济管理学院

    基金: 国家社会科学基金项目(16FGL014),河北省自然科学基金项目(G2014202148)

    分类号: TP18;TM715

    页码: 154-157

    总页数: 4

    文件大小: 2513K

    下载量: 569

    相关论文文献

    标签:;  ;  ;  ;  

    基于粒子群算法的极限学习机短期电力负荷预测
    下载Doc文档

    猜你喜欢