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
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:粒子群算法论文; 极限学习机论文; 自适应策略论文; 短期电力负荷预测论文;