基于优化核极限学习机的风电功率时间序列预测

发布时间：2017-10-29 12:06

  本文关键词：基于优化核极限学习机的风电功率时间序列预测

  更多相关文章： 核极限学习机 优化方法 时间序列 预测

【摘要】：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.
【作者单位】： 兰州交通大学自动化与电气工程学院;
【关键词】： 核极限学习机 优化方法 时间序列 预测
【基金】：国家自然科学基金(批准号:51467008)资助的课题~~
【分类号】：TM614;O211.61
【正文快照】： 1引言 随着风电场的风电装机容量的不断攀升,风电在电力系统中高度渗透.然而由于风能的随机性和间歇性,风电场的发电输出功率往往很难控制,会随着外界能量的变化而发生涨落、波动,对电网造成冲击,给电网计划和调度带来困难与挑战.大规模风电的并网也给电网的稳定运行以及电能

【相似文献】

中国期刊全文数据库 前10条

1 沈浩;邓梦曦;;预则立——时间序列预测技术之广电业务应用[J];中国数字电视;2011年10期

2 许继平;刘载文;那靖;;司法消噪与多技术融合的时间序列预测[J];计算机工程与应用;2010年24期

3 王刚,胡德文;基于时间序列预测的独立分量排序[J];国防科技大学学报;2005年05期

4 张弦;王宏力;;具有选择与遗忘机制的极端学习机在时间序列预测中的应用[J];物理学报;2011年08期

5 邢蕾;;基于小波分析时间序列预测技术进展[J];吉林金融研究;2009年04期

6 肖凡;马捷中;任岚昆;;基于小波分析与支持向量机的时间序列预测[J];航空计算技术;2011年06期

7 杨玫;赵秀丽;刘瑜;;时间序列预测问题中小波分解的应用研究[J];信息技术与信息化;2011年02期

8 丁红;武招云;龚若愚;廖文凯;;小波分析在径流时间序列预测的应用[J];柳州师专学报;2012年03期

9 何萧玲;时间序列预测的一个前馈神经网络模型[J];福州大学学报(自然科学版);2001年04期

10 张弦;王宏力;;利用神经元拓展正则极端学习机预测时间序列[J];北京航空航天大学学报;2011年12期

中国重要会议论文全文数据库 前2条

1 王亮;钟登华;葛晓冬;;预测方法综述[A];全国青年管理科学与系统科学论文集（第1卷）[C];1991年

2 尤华;王建东;;机场噪声的时间序列预测[A];2011年通信与信息技术新进展——第八届中国通信学会学术年会论文集[C];2011年

中国硕士学位论文全文数据库 前10条

1 陈诗语;基于网络的时间序列预测[D];西南大学;2015年

2 侯效永;多尺度时间序列预测[D];苏州大学;2013年

3 王丽贤;时间序列预测技术研究[D];天津理工大学;2012年

4 宋玉强;人工神经网络在时间序列预测中的应用研究[D];西安建筑科技大学;2005年

5 张慧;自适应模糊时间序列预测模型的研究[D];大连海事大学;2012年

6 王欣冉;基于小波包与最小二乘支持向量机的时间序列预测研究[D];中国地质大学（北京）;2011年

7 余兰;基于主成分分析及时间序列预测的我国就业问题研究[D];武汉科技大学;2012年

8 谢建华;基于核自组织映射的时间序列预测研究[D];南京理工大学;2012年

9 秦田田;基于混合模型的模糊时间序列预测的研究[D];辽宁工业大学;2015年

10 吴涛;基于时间序列预测的最优估计方法研究[D];天津理工大学;2011年

，

本文编号：1112881