A switching delayed PSO optimized extreme learning machine for short-term load forecasting
A switching delayed PSO optimized extreme learning machine for short-term load forecasting
复制标题
用于短期负荷预测的切换延迟 PSO 优化极限学习机
DOI：
10.1016/j.neucom.2017.01.090
复制
发表时间：
2017-05
期刊：
影响因子：
6
通讯作者：
Fuad E. Alsaadi
中科院分区：
文献类型：
--
作者：
Nianyin Zeng;Hong Zhang;Weibo Liu;Jinling Liang;Fuad E. Alsaadi
针对短期负荷预测问题，提出了一种结合极限学习机（ELM）和一种新的切换延迟粒子群（SDPSO）算法的混合学习方法。特别地，利用局部最优粒子和全局最优粒子的延迟信息来更新粒子的速度，通过新开发的SDPSO算法对ELM的输入权值和偏差进行优化.通过在一个tanh函数上对SDPSO-ELM进行全面测试，该方法获得了更好的泛化性能，并且可以避免添加不必要的隐藏节点和过度训练问题。此外，它比其他先进的ELM表现出色。最后将SDPSO-ELM算法成功应用于电力系统短时负荷预测。实验结果表明，与径向基函数神经网络（RBFNN）算法相比，该学习算法可以得到更好的预测结果。
In this paper, a hybrid learning approach, which combines the extreme learning machine (ELM) with a new switching delayed PSO (SDPSO) algorithm, is proposed for the problem of the short-term load forecasting (STLF). In particular, the input weights and biases of ELM are optimized by a new developed SDPSO algorithm, where the delayed information of locally best particle and globally best particle are exploited to update the velocity of particle. By testing the proposed SDPSO-ELM in a comprehensive manner on a tanh function, this approach obtain better generalization performance and can also avoid adding unnecessary hidden nodes and overtraining problems. Moreover, it has shown outstanding performance than other state-of-the-art ELMs. Finally, the proposed SDPSO-ELM algorithm is successfully applied to the STLF of power system. Experiment results demonstrate that the proposed learning algorithm can get better forecasting results in comparison with the radial basis function neural network (RBFNN) algorithm.
登录
查看更多内容
DOI：
10.1016/j.ijepes.2014.11.027
发表时间：
2015-05
影响因子：
5.2
作者：
D. Chaturvedi;A. Sinha;O. Malik
通讯作者：
D. Chaturvedi;A. Sinha;O. Malik
一类具有时变延迟的复杂网络的基于事件的状态估计：一种比较原理方法
影响因子：
2.6
作者：
Zhang Wenbing;Liu Yurong;Wang Zidong;Ding Derui;Liu Yurong;Alsaadi Fuad E.;Liu YR
通讯作者：
Liu YR
具有缺失测量和相关噪声的线性离散时间系统的未知输入和状态估计
影响因子：
2
作者：
Huisheng Shu;Sijing Zhang;Bo Shen;Yurong Liu
通讯作者：
Yurong Liu
DOI：
10.1145/2598394.2605342
发表时间：
2014-07
期刊：
Proceedings of the Companion Publication of the 2014 Annual Conference on Genetic and Evolutionary Computation
影响因子：
--
作者：
A. Engelbrecht
通讯作者：
A. Engelbrecht
DOI：
10.1016/b978-0-12-409547-2.14581-0
发表时间：
2020
期刊：
Comprehensive Chemometrics
影响因子：
--
作者：
Federico Marini;Beata Walczak
通讯作者：
Federico Marini;Beata Walczak