造價通
更新時間：2024.12.28
基于徑向基函數(shù)極限學習機的短期負荷預測

格式：pdf

大?。?span class="single-tag-height">160KB

頁數(shù)：

負荷預測對電網規(guī)劃和售電市場調控具有重要意義。由于電力負荷與天氣、日期、區(qū)域等多個因素密切相關,存在較強的不確定性和非線性特征,導致傳統(tǒng)方法的負荷預測精度較低。為了提高負荷預測精度,提出基于正交投影徑向基函數(shù)極限學習機(OPRBF-ELM)的短期電力負荷預測算法。該算法將ELM的隱含層節(jié)點替換為徑向基神經元,基于訓練誤差二范數(shù)最小化準則,采用正交投影計算輸出權值向量,并在核函數(shù)的數(shù)量取值范圍內索引獲取使得訓練集均方根誤差(RMSE)最小的預測負荷結果。算法預測過程中只需要設置網絡的徑向基神經元(RBF)個數(shù),不需要調整輸入權值及隱含層偏差,且正交投影能較好地消除輸入樣本特征之間的相關性,快速有效得到輸出權值向量,從而提高負荷預測精度。以我國某省電動汽車用電領域的負荷數(shù)據作為標準樣本進行仿真,仿真實驗驗證了該算法的可行性和有效性,與支持向量機(SVM)和傳統(tǒng)RBF-ELM相比,該算法的預測精度高、泛化能力強,具有廣泛的實用性。

基于極限學習機的燃氣日負荷預測

格式：pdf

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

頁數(shù)： 4頁

介紹極限學習機（ELM）的原理，提出極限學習機模型的城市燃氣短期負荷預測方法。以重慶市某區(qū)域燃氣日負荷、氣溫、日期類型及天氣狀況等數(shù)據為訓練樣本，采用歸一化等預處理方法處理輸入數(shù)據，通過確定最優(yōu)隱含層節(jié)點數(shù)等建立最優(yōu)極限學習機模型。將實際值和通過采用極限學習機與支持向量機（SVM）方法得到的燃氣日負荷預測值進行對比，將采用極限學習機與支持向量機方法的訓練時間和預測時間進行對比，極限學習機預測方法具有較好的預測精度，且訓練時間短。

熱門知識

好記星學習機功能

精華知識

好記星學習機功能

最新知識

好記星學習機功能
點擊加載更多>>

相關問答

好記星學習機功能
點擊加載更多>>
專題概述
好記星學習機功能相關專題

分類檢索：