上海交通大学学报

上海交通大学学报 ›› 2016, Vol. 50 ›› Issue (11): 1719-1723.doi: 10.16183/j.cnki.jsjtu.2016.11.010

• • 上一篇    下一篇

基于极限学习机的脉动风速快速预测方法

李春祥, 迟恩楠, 李正农   

  1. 上海大学, 湖南大学
  • 发布日期:2025-07-02

基于极限学习机的脉动风速快速预测方法

李春祥, 迟恩楠, 李正农   

  1. 上海大学, 湖南大学
  • Published:2025-07-02

PDF (PC)

48

摘要： 提出基于极限学习机(ELM)的脉动风速预测新模型.运用自回归滑动平均模型生成脉动风速数据库,并将其分为训练集和测试集.采用ELM对训练集进行学习训练,建立回归模型,从而实现对测试集风速的泛化预测.经与基于粒子群优化(PSO)的混合核函数最小二乘支持向量(PSO-MK-LSSVM)和误差反传神经网络(PSO-BP)对比,验证了ELM模型的有效性.数值结果表明,与PSO-MK-LSSVM和PSO-BP相比,无论在预测精度还是计算速度上,ELM模型都具有显著的优势.

关键词: 极限学习机, 脉动风速, 预测, 最小二乘支持向量机, 误差反传神经网络

Abstract: 提出基于极限学习机(ELM)的脉动风速预测新模型.运用自回归滑动平均模型生成脉动风速数据库,并将其分为训练集和测试集.采用ELM对训练集进行学习训练,建立回归模型,从而实现对测试集风速的泛化预测.经与基于粒子群优化(PSO)的混合核函数最小二乘支持向量(PSO-MK-LSSVM)和误差反传神经网络(PSO-BP)对比,验证了ELM模型的有效性.数值结果表明,与PSO-MK-LSSVM和PSO-BP相比,无论在预测精度还是计算速度上,ELM模型都具有显著的优势.

Key words: 极限学习机, 脉动风速, 预测, 最小二乘支持向量机, 误差反传神经网络