基于粒子群算法的极限学习机短期电力负荷预测

• 作者: 李杰 靳孟宇 马士豪
• 来源期刊: 制造业自动化
• 学科: 工学
• 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
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 设计与应用
• 页码范围: 154-157
• 页数: 4页
• 分类号: TP391
• 字数: 3101字
• 语种: 中文
• DOI: 10.3969/j.issn.1009-0134.2019.01.036

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(particle swarm optimization,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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李杰	河北工业大学经济管理学院	57	542	14.0	21.0
2	马士豪	河北工业大学经济管理学院	5	23	3.0	4.0
3	靳孟宇	河北工业大学经济管理学院	2	16	2.0	2.0