敖培++李賀++李懷芝++趙四方++馮志鵬

摘要：為了對風(fēng)速進(jìn)行準(zhǔn)確的預(yù)測，本文提出一種基于ROF的ELM集成預(yù)測算法，即采用ROF算法產(chǎn)生差異性訓(xùn)練數(shù)據(jù)訓(xùn)練多個個體ELM，然后利用加權(quán)平均的方法集成各個體ELM的預(yù)測結(jié)果。實(shí)驗(yàn)表明，與個體預(yù)測模型相比，該算法有更高的預(yù)測精度。

關(guān)鍵詞：旋轉(zhuǎn)森林 極端學(xué)習(xí)機(jī) 短期風(fēng)速預(yù)測

中圖分類號：TM715 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2014）08-0097-01

1 引言

對風(fēng)電場風(fēng)速的準(zhǔn)確預(yù)測，可以減少電力系統(tǒng)的運(yùn)行成本和旋轉(zhuǎn)備用，提高風(fēng)電穿透功率極限。本文提出一種基于ROF的極端學(xué)習(xí)機(jī)集成預(yù)測算法提高風(fēng)電場風(fēng)速預(yù)測的準(zhǔn)確性。通過對某風(fēng)電場四個季節(jié)中4天24小時的風(fēng)速預(yù)測結(jié)果表明，所提出的算法能有效提高預(yù)測精度。

2 極端學(xué)習(xí)機(jī)

極端學(xué)習(xí)機(jī)[1]（ELM，Extreme Learning Machine）在隨機(jī)給定輸入權(quán)值與神經(jīng)元參數(shù)的基礎(chǔ)上，將傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練問題轉(zhuǎn)化為求解線性方程組，以直接計算輸出權(quán)值的最小二乘解的方式完成網(wǎng)絡(luò)訓(xùn)練過程。

3 旋轉(zhuǎn)森林算法

旋轉(zhuǎn)森林[2]（ROF，Rotation Forest）主要是對集成分類器的原始樣本特征進(jìn)行處理，通過一定的特征提取變換獲得集成所需的新樣本，并且在保證分類準(zhǔn)確性的前提下，增加集成分類器個體間的差異性。

4 基于ROF的極端學(xué)習(xí)機(jī)集成預(yù)測算法

首先，利用經(jīng)過ROF得到的新訓(xùn)練集作為輸入輸出來訓(xùn)練多個ELM神經(jīng)網(wǎng)絡(luò)，并將各ELM神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行綜合，以得到最終的分類結(jié)果。具體步驟如下：

已知：訓(xùn)練數(shù)據(jù)集，；為集成算法中ELM神經(jīng)網(wǎng)絡(luò)的個數(shù)；為子集個數(shù)；最大迭代次數(shù)給定為。

FOR準(zhǔn)備旋轉(zhuǎn)矩陣；將特征集分為個子集：。

FOR采用主成分分析變換對每個子集進(jìn)行特征提取得到主成分系數(shù)，進(jìn)而得到重新排列后的特征向量矩陣。

訓(xùn)練ELM網(wǎng)絡(luò)，以作為每個ELM網(wǎng)絡(luò)的訓(xùn)練集，并給定激活函數(shù)，隱層節(jié)點(diǎn)數(shù)。

隨機(jī)給定輸入權(quán)值以及隱層偏置值，。計算隱層輸出矩陣和輸出權(quán)值。

計算ELM個體網(wǎng)絡(luò)在每個訓(xùn)練樣本上的誤差，計算各個體網(wǎng)絡(luò)在集成預(yù)測模型中的權(quán)值，集成預(yù)測模型的輸出為。

5 基于ROF的短期風(fēng)速極端學(xué)習(xí)機(jī)集成預(yù)測

本文選取某風(fēng)電場采樣時間間隔1小時的預(yù)測期前的800個實(shí)測風(fēng)速數(shù)據(jù)為訓(xùn)練樣本，分別對當(dāng)年4個季節(jié)中的4天24小時的風(fēng)速值進(jìn)行預(yù)測。按照第4節(jié)算法步驟進(jìn)行預(yù)測，個體ELM網(wǎng)絡(luò)個數(shù)選擇為10個。將本文方法與兩種單項(xiàng)預(yù)測模型預(yù)測結(jié)果進(jìn)行比較，本文所提出方法MAE和MAPE均較小，如表1所示。

6 結(jié)語

為了增強(qiáng)訓(xùn)練數(shù)據(jù)的差異性，本文提出一種基于ROF的ELM集成預(yù)測算法預(yù)測風(fēng)電場風(fēng)速，算法運(yùn)用ROF算法訓(xùn)練集成算法中的個體ELM，并采用加權(quán)平均的方法對個體ELM的預(yù)測結(jié)果進(jìn)行綜合，實(shí)驗(yàn)結(jié)果表明，本文所提出算法有效的提高了風(fēng)速的預(yù)測精度。

參考文獻(xiàn)

[1]YU Q， MICHE Y， EIROLA E， et al. Regularized extreme learning machine for regression with missing data [J].Neurocomputing，2013，102：45-51.

[2]毛莎莎，熊霖， 焦李成等.利用旋轉(zhuǎn)森林變換的異構(gòu)多分類器集成算法[J].西安電子科技大學(xué)學(xué)報（自然科學(xué)版），2014，41（5）：55-61.endprint

摘要：為了對風(fēng)速進(jìn)行準(zhǔn)確的預(yù)測，本文提出一種基于ROF的ELM集成預(yù)測算法，即采用ROF算法產(chǎn)生差異性訓(xùn)練數(shù)據(jù)訓(xùn)練多個個體ELM，然后利用加權(quán)平均的方法集成各個體ELM的預(yù)測結(jié)果。實(shí)驗(yàn)表明，與個體預(yù)測模型相比，該算法有更高的預(yù)測精度。

關(guān)鍵詞：旋轉(zhuǎn)森林 極端學(xué)習(xí)機(jī) 短期風(fēng)速預(yù)測

中圖分類號：TM715 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2014）08-0097-01

1 引言

對風(fēng)電場風(fēng)速的準(zhǔn)確預(yù)測，可以減少電力系統(tǒng)的運(yùn)行成本和旋轉(zhuǎn)備用，提高風(fēng)電穿透功率極限。本文提出一種基于ROF的極端學(xué)習(xí)機(jī)集成預(yù)測算法提高風(fēng)電場風(fēng)速預(yù)測的準(zhǔn)確性。通過對某風(fēng)電場四個季節(jié)中4天24小時的風(fēng)速預(yù)測結(jié)果表明，所提出的算法能有效提高預(yù)測精度。

2 極端學(xué)習(xí)機(jī)

極端學(xué)習(xí)機(jī)[1]（ELM，Extreme Learning Machine）在隨機(jī)給定輸入權(quán)值與神經(jīng)元參數(shù)的基礎(chǔ)上，將傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練問題轉(zhuǎn)化為求解線性方程組，以直接計算輸出權(quán)值的最小二乘解的方式完成網(wǎng)絡(luò)訓(xùn)練過程。

3 旋轉(zhuǎn)森林算法

旋轉(zhuǎn)森林[2]（ROF，Rotation Forest）主要是對集成分類器的原始樣本特征進(jìn)行處理，通過一定的特征提取變換獲得集成所需的新樣本，并且在保證分類準(zhǔn)確性的前提下，增加集成分類器個體間的差異性。

4 基于ROF的極端學(xué)習(xí)機(jī)集成預(yù)測算法

首先，利用經(jīng)過ROF得到的新訓(xùn)練集作為輸入輸出來訓(xùn)練多個ELM神經(jīng)網(wǎng)絡(luò)，并將各ELM神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行綜合，以得到最終的分類結(jié)果。具體步驟如下：

已知：訓(xùn)練數(shù)據(jù)集，；為集成算法中ELM神經(jīng)網(wǎng)絡(luò)的個數(shù)；為子集個數(shù)；最大迭代次數(shù)給定為。

FOR準(zhǔn)備旋轉(zhuǎn)矩陣；將特征集分為個子集：。

FOR采用主成分分析變換對每個子集進(jìn)行特征提取得到主成分系數(shù)，進(jìn)而得到重新排列后的特征向量矩陣。

訓(xùn)練ELM網(wǎng)絡(luò)，以作為每個ELM網(wǎng)絡(luò)的訓(xùn)練集，并給定激活函數(shù)，隱層節(jié)點(diǎn)數(shù)。

隨機(jī)給定輸入權(quán)值以及隱層偏置值，。計算隱層輸出矩陣和輸出權(quán)值。

計算ELM個體網(wǎng)絡(luò)在每個訓(xùn)練樣本上的誤差，計算各個體網(wǎng)絡(luò)在集成預(yù)測模型中的權(quán)值，集成預(yù)測模型的輸出為。

5 基于ROF的短期風(fēng)速極端學(xué)習(xí)機(jī)集成預(yù)測

本文選取某風(fēng)電場采樣時間間隔1小時的預(yù)測期前的800個實(shí)測風(fēng)速數(shù)據(jù)為訓(xùn)練樣本，分別對當(dāng)年4個季節(jié)中的4天24小時的風(fēng)速值進(jìn)行預(yù)測。按照第4節(jié)算法步驟進(jìn)行預(yù)測，個體ELM網(wǎng)絡(luò)個數(shù)選擇為10個。將本文方法與兩種單項(xiàng)預(yù)測模型預(yù)測結(jié)果進(jìn)行比較，本文所提出方法MAE和MAPE均較小，如表1所示。

6 結(jié)語

為了增強(qiáng)訓(xùn)練數(shù)據(jù)的差異性，本文提出一種基于ROF的ELM集成預(yù)測算法預(yù)測風(fēng)電場風(fēng)速，算法運(yùn)用ROF算法訓(xùn)練集成算法中的個體ELM，并采用加權(quán)平均的方法對個體ELM的預(yù)測結(jié)果進(jìn)行綜合，實(shí)驗(yàn)結(jié)果表明，本文所提出算法有效的提高了風(fēng)速的預(yù)測精度。

參考文獻(xiàn)

[1]YU Q， MICHE Y， EIROLA E， et al. Regularized extreme learning machine for regression with missing data [J].Neurocomputing，2013，102：45-51.

[2]毛莎莎，熊霖， 焦李成等.利用旋轉(zhuǎn)森林變換的異構(gòu)多分類器集成算法[J].西安電子科技大學(xué)學(xué)報（自然科學(xué)版），2014，41（5）：55-61.endprint

摘要：為了對風(fēng)速進(jìn)行準(zhǔn)確的預(yù)測，本文提出一種基于ROF的ELM集成預(yù)測算法，即采用ROF算法產(chǎn)生差異性訓(xùn)練數(shù)據(jù)訓(xùn)練多個個體ELM，然后利用加權(quán)平均的方法集成各個體ELM的預(yù)測結(jié)果。實(shí)驗(yàn)表明，與個體預(yù)測模型相比，該算法有更高的預(yù)測精度。

關(guān)鍵詞：旋轉(zhuǎn)森林 極端學(xué)習(xí)機(jī) 短期風(fēng)速預(yù)測

中圖分類號：TM715 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2014）08-0097-01

1 引言

對風(fēng)電場風(fēng)速的準(zhǔn)確預(yù)測，可以減少電力系統(tǒng)的運(yùn)行成本和旋轉(zhuǎn)備用，提高風(fēng)電穿透功率極限。本文提出一種基于ROF的極端學(xué)習(xí)機(jī)集成預(yù)測算法提高風(fēng)電場風(fēng)速預(yù)測的準(zhǔn)確性。通過對某風(fēng)電場四個季節(jié)中4天24小時的風(fēng)速預(yù)測結(jié)果表明，所提出的算法能有效提高預(yù)測精度。

2 極端學(xué)習(xí)機(jī)

極端學(xué)習(xí)機(jī)[1]（ELM，Extreme Learning Machine）在隨機(jī)給定輸入權(quán)值與神經(jīng)元參數(shù)的基礎(chǔ)上，將傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練問題轉(zhuǎn)化為求解線性方程組，以直接計算輸出權(quán)值的最小二乘解的方式完成網(wǎng)絡(luò)訓(xùn)練過程。

3 旋轉(zhuǎn)森林算法

旋轉(zhuǎn)森林[2]（ROF，Rotation Forest）主要是對集成分類器的原始樣本特征進(jìn)行處理，通過一定的特征提取變換獲得集成所需的新樣本，并且在保證分類準(zhǔn)確性的前提下，增加集成分類器個體間的差異性。

4 基于ROF的極端學(xué)習(xí)機(jī)集成預(yù)測算法

首先，利用經(jīng)過ROF得到的新訓(xùn)練集作為輸入輸出來訓(xùn)練多個ELM神經(jīng)網(wǎng)絡(luò)，并將各ELM神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行綜合，以得到最終的分類結(jié)果。具體步驟如下：

已知：訓(xùn)練數(shù)據(jù)集，；為集成算法中ELM神經(jīng)網(wǎng)絡(luò)的個數(shù)；為子集個數(shù)；最大迭代次數(shù)給定為。

FOR準(zhǔn)備旋轉(zhuǎn)矩陣；將特征集分為個子集：。

FOR采用主成分分析變換對每個子集進(jìn)行特征提取得到主成分系數(shù)，進(jìn)而得到重新排列后的特征向量矩陣。

訓(xùn)練ELM網(wǎng)絡(luò)，以作為每個ELM網(wǎng)絡(luò)的訓(xùn)練集，并給定激活函數(shù)，隱層節(jié)點(diǎn)數(shù)。

隨機(jī)給定輸入權(quán)值以及隱層偏置值，。計算隱層輸出矩陣和輸出權(quán)值。

計算ELM個體網(wǎng)絡(luò)在每個訓(xùn)練樣本上的誤差，計算各個體網(wǎng)絡(luò)在集成預(yù)測模型中的權(quán)值，集成預(yù)測模型的輸出為。

5 基于ROF的短期風(fēng)速極端學(xué)習(xí)機(jī)集成預(yù)測

本文選取某風(fēng)電場采樣時間間隔1小時的預(yù)測期前的800個實(shí)測風(fēng)速數(shù)據(jù)為訓(xùn)練樣本，分別對當(dāng)年4個季節(jié)中的4天24小時的風(fēng)速值進(jìn)行預(yù)測。按照第4節(jié)算法步驟進(jìn)行預(yù)測，個體ELM網(wǎng)絡(luò)個數(shù)選擇為10個。將本文方法與兩種單項(xiàng)預(yù)測模型預(yù)測結(jié)果進(jìn)行比較，本文所提出方法MAE和MAPE均較小，如表1所示。

6 結(jié)語

為了增強(qiáng)訓(xùn)練數(shù)據(jù)的差異性，本文提出一種基于ROF的ELM集成預(yù)測算法預(yù)測風(fēng)電場風(fēng)速，算法運(yùn)用ROF算法訓(xùn)練集成算法中的個體ELM，并采用加權(quán)平均的方法對個體ELM的預(yù)測結(jié)果進(jìn)行綜合，實(shí)驗(yàn)結(jié)果表明，本文所提出算法有效的提高了風(fēng)速的預(yù)測精度。

參考文獻(xiàn)

[1]YU Q， MICHE Y， EIROLA E， et al. Regularized extreme learning machine for regression with missing data [J].Neurocomputing，2013，102：45-51.

[2]毛莎莎，熊霖， 焦李成等.利用旋轉(zhuǎn)森林變換的異構(gòu)多分類器集成算法[J].西安電子科技大學(xué)學(xué)報（自然科學(xué)版），2014，41（5）：55-61.endprint