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

doi:10.16183/j.cnki.jsjtu.2016.11.010

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

本文引用格式

李春祥 , 迟恩楠 , 李正农 . 基于极限学习机的脉动风速快速预测方法[J]. 上海交通大学学报, 2016 , 50(11) : 1719 -1723 . DOI: 10.16183/j.cnki.jsjtu.2016.11.010

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

模态框（Modal）标题

摘要

本文引用格式

Abstract