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