首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   29篇
  完全免费   6篇
  电工技术   35篇
  2018年   2篇
  2017年   8篇
  2016年   7篇
  2015年   5篇
  2014年   7篇
  2013年   3篇
  2012年   2篇
  2011年   1篇
排序方式: 共有35条查询结果,搜索用时 31 毫秒
1.
基于核函数极限学习机的微电网短期负荷预测方法   总被引:6,自引:0,他引:6  
针对以单个或集体用户为业主的用户侧小容量微电网,考虑到成本约束及用电特征的不确定性,提出了一种基于核函数极限学习机的微电网短期负荷预测方法.使用核函数极限学习机、启发式遗传算法和分时训练样本,建立了包含离线参数寻优与在线负荷预测的预测模型;通过模型参数的周期更新来保证算法最优参数的时效性,同时降低在线预测系统的计算复杂度与历史数据存储量.通过对不同容量、类型的用户侧微电网进行短期负荷预测,分析了预测结果的准确度、参数周期更新的效果、预测结果对经济运行的影响和预测方法的计算效率.  相似文献
2.
极限学习机方法在电力线路建设成本估算中的应用研究   总被引:2,自引:0,他引:2  
舒隽  甘磊 《现代电力》2011,28(4):78-83
为了提高我国电力工程建设成本概预算方法的客观性和科学性,根据电力线路建设的影响因素,结合单隐层前馈神经网络(SLFN)的特点,提出了基于极限学习机(ELM)的电力线路建设成本估算的方法。在分析影响电力线路建设成本的因素和归纳电力线路建设工程的相关具体成本项目的基础上,建立各因素和电力建设成本之间的关系集合,构建基于极限学习机的电力线路建设成本估算神经网络模型,并利用极限学习机算法对该网络模型进行训练,确定网络中的相应参数。算例仿真说明:在电力线路建设成本估算领域,相对于BP网络,ELM不仅速度极快,而且结果良好,泛化性能也较优。  相似文献
3.
提出一种基于集合经验模态分解(Ensemble empirical mode decomposition)和改进极限学习机(Improved Extreme Learning Machine,IELM)的新型短期风速组合预测模型。采用集合经验模态分解将风速序列分解成不同频段的分量,以降低序列的非平稳性。使用改进极限学习机对各分量分别建模预测,为避免极限学习机输入维数选取的随意性和分量信息丢失等问题,先对各分量重构相空间,最后将各分量预测结果叠加得到最终预测结果。实例研究表明,所提的组合预测模型具有较高的预测精度。  相似文献
4.
基于改进极限学习机的短期电力负荷预测方法   总被引:1,自引:0,他引:1       下载免费PDF全文
毛力  王运涛  刘兴阳  李朝锋 《继电器》2012,40(20):140-144
为了提高电力系统短期负荷预测精度,提出一种基于改进极限学习机(MELM)的短期电力负荷预测模型。引入基于结构风险最小化理论,并结合最小二乘向量机回归学习方法,以克服传统极限学习机(ELM) 在短期负荷预测中存在的过拟合问题。某地区用电负荷预测结果表明,改进模型的泛化性与预测精度均优于传统ELM和OS-ELM模型,可为短期电力负荷预测提供有效依据,具有一定的实用性。  相似文献
5.
基于OS-ELM和Bootstrap方法的超短期风电功率预测   总被引:1,自引:1,他引:0       下载免费PDF全文
提出了一种基于在线序贯极限学习机(OS-ELM)的超短期风电功率预测方法。利用OSELM学习速度快、泛化能力强的优点,将批处理和逐次迭代相结合,不断更新训练数据和网络结构,实现了对数值天气预报风速的快速实时修正和风电机组输出功率的快速预测。随后,采用计算机自助(Bootstrap)法构造伪样本,给出了预测功率的置信区间评估。实例和研究结果表明,该预测方法与反向传播(BP)网络、支持向量机(SVM)方法相比,在计算时间上更能满足在线应用需求,而且预测精度相当,有较好的应用前景。  相似文献
6.
基于云计算和极限学习机的分布式电力负荷预测算法   总被引:1,自引:0,他引:1  
为了提高电力负荷预测精度,应对电力系统智能化所带来的数据海量化高维化带来的单机计算资源不足的挑战,提出了一种在线序列优化的极限学习机短期电力负荷预测模型。针对电力负荷数据特性,对极限学习机预测算法进行在线序列优化;引入分布式和multi-agent思想,提升负荷预测算法预测准确率;采用云计算的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力。选用EUNITE提供的真实电力负荷数据进行算例分析,在32节点云计算集群上进行实验,结果表明基于该模型的负荷预测精度均优于传统支持向量回归预测算法和泛化神经网络预测算法,且提出的算法具有优异的并行性能。  相似文献
7.
针对极限学习机算法中输出波动大与模型不稳定的问题,提出采用切换模型极限学习算法进行超短期电力负荷预测的方法。该算法通过切换模型准则,将建立的多个神经网络模型分为误差较小的保持模型和误差较大的更新模型两部分。保持模型无需进行在线更新,减低了模型输出的波动性;更新模型则需采取随机方法进行在线更新,使得训练误差达到最小,提高模型的泛化能力。通过对某地区电力负荷的预测仿真,结果表明了所提方法提高了预测速度,节省了计算时间,具有更佳的泛化能力和预测精度。  相似文献
8.
极限学习机(extreme learning machine,ELM)具有学习速度快、测试精度高的优点。近年来被广泛用于模式识别和故障诊断等领域,但是ELM固有的随机性对其泛化性能和精度有很大的影响。蝙蝠算法(bat algorithm,BA)是一种新型的智能优化算法,具有良好的全局搜索能力。将蝙蝠算法引入到极限学习机输入权值和阈值的优化中,有机结合2种算法的优点,建立了基于蝙蝠算法优化极限学习机的故障模型,以带通滤波器作为测试电路,并和ELM、DE-ELM、SAE-ELM进行对比,仿真和实验结果表明蝙蝠算法有效地改善了ELM网络的诊断精度和泛化能力。  相似文献
9.
针对刚性臂机器人系统,提出基于极限学习机( ELM )的两种自适应神经控制算法。极限学习机随机选择单隐层前馈神经网络( SLFNs)的隐层节点及其参数,仅调整其网络的输出权值,以极快的学习速度可获得良好的推广性。在自适应控制算法中, ELM逼近系统的未知非线性函数,附加的鲁棒控制项补偿系统的逼近误差。 ELM神经控制器的参数自适应调整律及鲁棒控制项由Lyapunov稳定性理论分析得出,所设计的两种控制算法均不依赖于初始条件的约束且放松对参数有界的要求,同时保证闭环系统跟踪误差满足全局稳定而且渐近收敛于零。将所提出的ELM控制器应用于二连杆刚性臂机器人跟踪控制实例中,并与现有的径向基函数( RBF)神经网络自适应控制算法进行比较,仿真结果表明,在同等条件下,ELM控制器具有良好的跟踪控制性能,显示出其有效性和应用潜力。  相似文献
10.
随着电力负荷内涵复杂度和非线性增加,单纯追求电力负荷预测精度将变得困难。研究根据负荷样本分析其趋势、抽取特征来解决预测精度问题,即提出一种基于自组织特征映射网络( SOM)进行特征提取并与极限学习机( ELM)相结合的短期电力负荷预测方法。通过SOM特征提取找出与预测日同类型的历史数据作为训练样本;然后采用ELM进行预测,该方法预测过程简捷,能得到唯一的最优解。实验以某市的电力负荷数据进行仿真和比较。结果表明,基于SOM特征提取的ELM方法不仅精简了训练样本数量,且使训练更具有针对性,提高了预测精度和泛化性能,具有一定的理论意义和较好的应用前景。  相似文献
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号