短期负荷预测的集成改进极端学习机方法

程松 1; 闫建伟 1; 赵登福 1; 王圈 2; 王海明 2

您当前的位置：

首页 >

文章列表页 >

短期负荷预测的集成改进极端学习机方法

更新时间：2025-12-08

- 短期负荷预测的集成改进极端学习机方法
- Short-Term Load Forecasting Method Based on Ensemble Improved Extreme Learning Machine
- 西安交通大学学报 2009年43卷第2期页码：106-110
- 作者机构：
  
  西安交通大学电气工程学院,西安,710049
- 作者简介：
- 基金信息：
  
  : 2008-07-13. 作者简介: 程松(1983-),男,硕士生;赵登福(联系人),男,教授. 基金项目: 国家自然科学基金资助项目(50595411);陕西省攻关计划资助项目(2007K04-17);西安市科技创新支持计划资助项目(YF07040)
- DOI：
  中图分类号： TM715
- 网络首发：2009-02-10，
  
  纸质出版：2009
- 稿件说明：
移动端阅览
程松 1, 闫建伟 1, 赵登福 1, 等. 短期负荷预测的集成改进极端学习机方法[J]. 西安交通大学学报, 2009,43(2):106-110.

程松 1, 闫建伟 1, 赵登福 1, et al. Short-Term Load Forecasting Method Based on Ensemble Improved Extreme Learning Machine[J]. 2009, 43(2): 106-110.
程松 1, 闫建伟 1, 赵登福 1, 等. 短期负荷预测的集成改进极端学习机方法[J]. 西安交通大学学报, 2009,43(2):106-110. DOI：

程松 1, 闫建伟 1, 赵登福 1, et al. Short-Term Load Forecasting Method Based on Ensemble Improved Extreme Learning Machine[J]. 2009, 43(2): 106-110. DOI：

摘要

首次将极端学习机(ELM)理论引入短期负荷预测领域

并以BFGS拟牛顿法对ELM网络左侧权值进行优化训练调整

形成基于迭代-解析的改进ELM预测模型.同时

采用集成技术Boosting算法

生成多个差异度大的改进ELM子网络

对其进行加权组合

构建了集成改进极端学习机预测模型.该模型不仅有效避免了极端学习机左侧权值随机给定的输出稳定性问题

而且克服了单一网络预测模型泛化能力较差等缺陷.

Abstract

The extreme learning machine(ELM)theory is introduced into the domain of short-term load forecasting

and an ELM forecasting model is developed based on iteration-parse via optimizing

training and rectifying the left weights with BFGS quasi-Newton method. Adopting boosting algorithm of ensemble technology

several quite different ELM child-networks are generated and weighted

and a forecasting model of ensemble improved ELM are constructed. This model avoids effectively the output unstability from the left weights given arbitrarily

and breaks such limitations as weak generalization capability of single network model.

关键词

Keywords

references

牛东晓,曹树华,赵磊,等.电力系统负荷预测技术及其应用[M].北京:中国电力出版社,1998.

康重庆,夏清,刘梅.电力系统负荷预测[M].北京:中国电力出版社,2007.

GROSS G, GALIANA F D. Short-term load forecas-ting[J]. Proc IEEE, 1987, 75(12): 1537-1558.

HIPPERT H S, PEDREIRA C E, SOUZA R C. Neural networks for short-term load forecasting: a review and evaluation [J]. IEEE Trans on Power Systems, 2001,16(1): 44-55.

HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: theory and applications[J]. ScienceDirect: Neurocomputing, 2006, 70: 489-501.

程云鹏.矩阵论[M].西安:西北工业大学出版社,2003.

杨冰.实用最优化方法及计算机程序[M].哈尔滨:哈尔滨船舶工程学院出版社,1994.

张可村,李换琴.工程优化方法及其应用[M].西安:西安交通大学出版社,2007.

SCHAPIRE R E.The strength of weak learnability [J].Machine Learning, 1990,5(2): 197-227.

DRUCKER H.Improving regressors using Boosting techniques[C]∥The Fourteenth International Conference on Machine Learning. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 1997:107-115.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

发射聚焦式的多天线跳空安全通信技术

一种判别极端学习的相关反馈图像检索方法

结构-语义-残差协同的图像压缩框架：面向隐私保护与高保真重建

不同板叠材料热声热机能量转换过程数值模拟研究

扇贝仿生密封腔室内超临界二氧化碳泄漏流湍动能耗散机理研究