基于优化核极限学习机的风电功率时间序列预测?
针对时间序列预测,在单隐层前馈神经网络的基础上,基于进化计算的优化策略,提出了一种优化的核极限学习机(optimized kernel extreme learning machine, O-KELM)方法。与极限学习机(extreme learning machine, ELM)方法相比,核极限学习机(kernel extreme learning machine, KELM)方法无须设定网络隐含层节点的数目,以核函数表示未知的隐含层非线性特征映射,通过正则化最小二乘算法计算网络的输出权值,它能以极快的学习速度获得良好的推广性。在KELM的基础上,分别将遗传算法、模拟退火、微分演化三种进化算法用于模型的结构输入选择、正则化系数以及核参数的优化选取,以进一步提高网络的性能。将O-KELM方法应用于标准Mackey-Glass混沌时间序列预测及某地区的风电功率时间序列预测实例中,在同等条件下,还与优化的极限学习机(optimized extreme learning machine, O-ELM)方法进行比较。实验结果表明,所提出的O-KELM方法在预测精度上优于O-ELM方法,表明了其有效性。
核极限学习机、优化方法、时间序列、预测
65
TP1;TG6
国家自然科学基金批准号:51467008资助的课题.* Project supported by the National Natural Science Foundation of China Grant 51467008
2016-07-25(万方平台首次上网日期,不代表论文的发表时间)
共1页
130501-1-130501-10