搜索

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于优化核极限学习机的风电功率时间序列预测

李军 李大超

基于优化核极限学习机的风电功率时间序列预测

李军, 李大超
PDF
导出引用
导出核心图
  • 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.
      通信作者: 李军, lijun691201@mail.lzjtu.cn
    • 基金项目: 国家自然科学基金(批准号: 51467008)资助的课题.
    [1]

    Wang X C, Guo P, Huang X B 2011 Energy Procedia 12 770

    [2]

    Zhang G Y, Wu Y G, Zhang Y, Dai X L 2014 Acta Phys. Sin. 63 138801 (in Chinese) [章国勇, 伍永刚, 张洋, 代贤良 2014 物理学报 63 138801]

    [3]

    Foley A M, Leahy P G, Marvuglia A, McKeogh E J 2012 Renew. Energy 37 1

    [4]

    Colak I, Sagiroglu S, Yesilbudak M 2012 Renew. Energy 46 241

    [5]

    Jung J, Broadwater R P 2014 Renew. Sustain. Energy Rev. 31 762

    [6]

    Yang Z L, Feng Y, Xiong D F, Yang Z, Zhang X, Zhang J 2015 Smart Grid 3 1 (in Chinese) [杨正瓴, 冯勇, 熊定方, 杨钊, 张玺, 张军 2015 智能电网 3 1]

    [7]

    Potter C W, Negnevitsky M 2006 IEEE Trans. Power Syst. 21 965

    [8]

    Kavasseri R G, Seetharaman K 2009 Renew. Energy 34 1388

    [9]

    Louka P, Galanis G, Siebert N, Kariniotakis G, Katsafados P, Kallos G, Pytharoulis I 2008 J. Wind Eng. Ind. Aerodyn. 96 2348

    [10]

    Liu R Y, Huang L 2012 Autom. Electr. Power Syst. 36 18 (in Chinese) [刘瑞叶, 黄磊 2012 电力系统自动化 36 18]

    [11]

    Seo I Y, Ha B N, Lee S W, Jang M J, Kim S O, Kim S J 2012 J. Energy Power Eng. 6 1605

    [12]

    Zeng J W, Wei Q 2012 IEEE Trans. Sustain. Energy 3 255

    [13]

    Huang G B, Zhu Q Y, Siew C K 2006 Neurocomputing 70 489

    [14]

    Chen H Y, Gao P Z, Tan S C, Fu X K 2014 Acta Phys. Sin. 63 200505 (in Chinese) [陈涵瀛, 高璞珍, 谭思超, 付学宽 2014 物理学报 63 200505]

    [15]

    Matias T, Souza F, Arajo R, Antunes C H 2014 Neurocomputing 129 428

    [16]

    Wan C, Xu Z, Pinson P, Dong Z Y, Wong K P 2014 IEEE Trans. Power Syst. 29 1033

    [17]

    Huang G B, Zhou H M, Ding X J, Zhang R 2012 IEEE Trans. Syst. Man, and Cybern. B: Cybern. 42 513

    [18]

    Wang X Y, Han M 2015 Acta Phys. Sin. 64 070504 (in Chinese) [王新迎, 韩敏 2015 物理学报 64 070504]

    [19]

    Zhang Y T, Ma C, Li Z N, Fan H B 2014 J. Shanghai Jiaotong Univ. (Sci.) 48 641 (in Chinese) [张英堂, 马超, 李志宁, 范洪波 2014 上海交通大学学报 48 641]

    [20]

    Haupt R L, Haupt S E 2004 Practical Genetic Algorithms (2nd Ed. with CD-ROM) (New York: John Wiley Sons) pp27-66

    [21]

    Mohamed M H 2011 Neurocomputing 74 3180

    [22]

    Feoktistov V 2006 Differential Evolution:In Search of Solutions (Secaucus, NJ, USA:Springer-Verlag New York, Inc.) pp1-82

    [23]

    Machey M C, Glass L 1977 Science 197 287

    [24]

    Potter C W, Lew D, McCaa J, Cheng S, Eichelberger S, Grimit E 2008 Wind Eng. 32 325

  • [1]

    Wang X C, Guo P, Huang X B 2011 Energy Procedia 12 770

    [2]

    Zhang G Y, Wu Y G, Zhang Y, Dai X L 2014 Acta Phys. Sin. 63 138801 (in Chinese) [章国勇, 伍永刚, 张洋, 代贤良 2014 物理学报 63 138801]

    [3]

    Foley A M, Leahy P G, Marvuglia A, McKeogh E J 2012 Renew. Energy 37 1

    [4]

    Colak I, Sagiroglu S, Yesilbudak M 2012 Renew. Energy 46 241

    [5]

    Jung J, Broadwater R P 2014 Renew. Sustain. Energy Rev. 31 762

    [6]

    Yang Z L, Feng Y, Xiong D F, Yang Z, Zhang X, Zhang J 2015 Smart Grid 3 1 (in Chinese) [杨正瓴, 冯勇, 熊定方, 杨钊, 张玺, 张军 2015 智能电网 3 1]

    [7]

    Potter C W, Negnevitsky M 2006 IEEE Trans. Power Syst. 21 965

    [8]

    Kavasseri R G, Seetharaman K 2009 Renew. Energy 34 1388

    [9]

    Louka P, Galanis G, Siebert N, Kariniotakis G, Katsafados P, Kallos G, Pytharoulis I 2008 J. Wind Eng. Ind. Aerodyn. 96 2348

    [10]

    Liu R Y, Huang L 2012 Autom. Electr. Power Syst. 36 18 (in Chinese) [刘瑞叶, 黄磊 2012 电力系统自动化 36 18]

    [11]

    Seo I Y, Ha B N, Lee S W, Jang M J, Kim S O, Kim S J 2012 J. Energy Power Eng. 6 1605

    [12]

    Zeng J W, Wei Q 2012 IEEE Trans. Sustain. Energy 3 255

    [13]

    Huang G B, Zhu Q Y, Siew C K 2006 Neurocomputing 70 489

    [14]

    Chen H Y, Gao P Z, Tan S C, Fu X K 2014 Acta Phys. Sin. 63 200505 (in Chinese) [陈涵瀛, 高璞珍, 谭思超, 付学宽 2014 物理学报 63 200505]

    [15]

    Matias T, Souza F, Arajo R, Antunes C H 2014 Neurocomputing 129 428

    [16]

    Wan C, Xu Z, Pinson P, Dong Z Y, Wong K P 2014 IEEE Trans. Power Syst. 29 1033

    [17]

    Huang G B, Zhou H M, Ding X J, Zhang R 2012 IEEE Trans. Syst. Man, and Cybern. B: Cybern. 42 513

    [18]

    Wang X Y, Han M 2015 Acta Phys. Sin. 64 070504 (in Chinese) [王新迎, 韩敏 2015 物理学报 64 070504]

    [19]

    Zhang Y T, Ma C, Li Z N, Fan H B 2014 J. Shanghai Jiaotong Univ. (Sci.) 48 641 (in Chinese) [张英堂, 马超, 李志宁, 范洪波 2014 上海交通大学学报 48 641]

    [20]

    Haupt R L, Haupt S E 2004 Practical Genetic Algorithms (2nd Ed. with CD-ROM) (New York: John Wiley Sons) pp27-66

    [21]

    Mohamed M H 2011 Neurocomputing 74 3180

    [22]

    Feoktistov V 2006 Differential Evolution:In Search of Solutions (Secaucus, NJ, USA:Springer-Verlag New York, Inc.) pp1-82

    [23]

    Machey M C, Glass L 1977 Science 197 287

    [24]

    Potter C W, Lew D, McCaa J, Cheng S, Eichelberger S, Grimit E 2008 Wind Eng. 32 325

  • [1] 田中大, 李树江, 王艳红, 高宪文. 短期风速时间序列混沌特性分析及预测. 物理学报, 2015, 64(3): 030506. doi: 10.7498/aps.64.030506
    [2] 王革丽, 杨培才, 毛宇清. 基于支持向量机方法对非平稳时间序列的预测. 物理学报, 2008, 57(2): 714-719. doi: 10.7498/aps.57.714
    [3] 王新迎, 韩敏. 多元混沌时间序列的多核极端学习机建模预测. 物理学报, 2015, 64(7): 070504. doi: 10.7498/aps.64.070504
    [4] 沈力华, 陈吉红, 曾志刚, 金健. 基于鲁棒极端学习机的混沌时间序列建模预测. 物理学报, 2018, 67(3): 030501. doi: 10.7498/aps.67.20171887
    [5] 马千里, 彭宏, 张春涛. 基于信息熵优化相空间重构参数的混沌时间序列预测. 物理学报, 2010, 59(11): 7623-7629. doi: 10.7498/aps.59.7623
    [6] 张文专, 龙文, 焦建军. 基于差分进化算法的混沌时间序列预测模型参数组合优化. 物理学报, 2012, 61(22): 220506. doi: 10.7498/aps.61.220506
    [7] 李瑞国, 张宏立, 范文慧, 王雅. 基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测. 物理学报, 2015, 64(20): 200506. doi: 10.7498/aps.64.200506
    [8] 梅英, 谭冠政, 刘振焘, 武鹤. 基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测. 物理学报, 2018, 67(8): 080502. doi: 10.7498/aps.67.20172104
    [9] 李鹤, 杨周, 张义民, 闻邦椿. 基于径向基神经网络预测的混沌时间序列嵌入维数估计方法. 物理学报, 2011, 60(7): 070512. doi: 10.7498/aps.60.070512
    [10] 叶美盈, 汪晓东, 张浩然. 基于在线最小二乘支持向量机回归的混沌时间序列预测. 物理学报, 2005, 54(6): 2568-2573. doi: 10.7498/aps.54.2568
    [11] 杨永锋, 任兴民, 秦卫阳, 吴亚锋, 支希哲. 基于EMD方法的混沌时间序列预测. 物理学报, 2008, 57(10): 6139-6144. doi: 10.7498/aps.57.6139
    [12] 修春波, 徐勐. 基于混沌算子网络的时间序列多步预测研究. 物理学报, 2010, 59(11): 7650-7656. doi: 10.7498/aps.59.7650
    [13] 吴延东, 谢洪波. 一种新的时间序列确定性辨识方法. 物理学报, 2007, 56(11): 6294-6300. doi: 10.7498/aps.56.6294
    [14] 魏德志, 陈福集, 郑小雪. 基于混沌理论和改进径向基函数神经网络的网络舆情预测方法. 物理学报, 2015, 64(11): 110503. doi: 10.7498/aps.64.110503
    [15] 贺 涛, 周正欧. 基于分形自仿射的混沌时间序列预测. 物理学报, 2007, 56(2): 693-700. doi: 10.7498/aps.56.693
    [16] 王永生, 孙 瑾, 王昌金, 范洪达. 变参数混沌时间序列的神经网络预测研究. 物理学报, 2008, 57(10): 6120-6131. doi: 10.7498/aps.57.6120
    [17] 李军, 张友鹏. 基于高斯过程的混沌时间序列单步与多步预测. 物理学报, 2011, 60(7): 070513. doi: 10.7498/aps.60.070513
    [18] 刘擎超, 陆建, 陈淑燕. 基于能力区域的交通状态预测方法. 物理学报, 2014, 63(14): 140504. doi: 10.7498/aps.63.140504
    [19] 李 军, 刘君华. 一种新型广义RBF神经网络在混沌时间序列预测中的研究. 物理学报, 2005, 54(10): 4569-4577. doi: 10.7498/aps.54.4569
    [20] 张军峰, 胡寿松. 基于一种新型聚类算法的RBF神经网络混沌时间序列预测. 物理学报, 2007, 56(2): 713-719. doi: 10.7498/aps.56.713
  • 引用本文:
    Citation:
计量
  • 文章访问数:  1462
  • PDF下载量:  416
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-01-18
  • 修回日期:  2016-04-15
  • 刊出日期:  2016-07-05

基于优化核极限学习机的风电功率时间序列预测

    基金项目: 

    国家自然科学基金(批准号: 51467008)资助的课题.

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.

English Abstract

参考文献 (24)

目录

    /

    返回文章
    返回