基于ROF的短期风速极端学习机集成预测
2014-12-13敖培李贺李怀芝赵四方冯志鹏
敖培++李贺++李怀芝++赵四方++冯志鹏
摘要：为了对风速进行准确的预测，本文提出一种基于ROF的ELM集成预测算法，即采用ROF算法产生差异性训练数据训练多个个体ELM，然后利用加权平均的方法集成各个体ELM的预测结果。实验表明，与个体预测模型相比，该算法有更高的预测精度。
关键词：旋转森林 极端学习机 短期风速预测
中图分类号：TM715 文献标识码：A 文章编号：1007-9416（2014）08-0097-01
1 引言
对风电场风速的准确预测，可以减少电力系统的运行成本和旋转备用，提高风电穿透功率极限。本文提出一种基于ROF的极端学习机集成预测算法提高风电场风速预测的准确性。通过对某风电场四个季节中4天24小时的风速预测结果表明，所提出的算法能有效提高预测精度。
2 极端学习机
极端学习机[1]（ELM，Extreme Learning Machine）在随机给定输入权值与神经元参数的基础上，将传统前馈神经网络参数训练问题转化为求解线性方程组，以直接计算输出权值的最小二乘解的方式完成网络训练过程。
3 旋转森林算法
旋转森林[2]（ROF，Rotation Forest）主要是对集成分类器的原始样本特征进行处理，通过一定的特征提取变换获得集成所需的新样本，并且在保证分类准确性的前提下，增加集成分类器个体间的差异性。
4 基于ROF的极端学习机集成预测算法
首先，利用经过ROF得到的新训练集作为输入输出来训练多个ELM神经网络，并将各ELM神经网络的预测结果进行综合，以得到最终的分类结果。具体步骤如下：
已知：训练数据集，；为集成算法中ELM神经网络的个数；为子集个数；最大迭代次数给定为。
FOR准备旋转矩阵；将特征集分为个子集：。
FOR采用主成分分析变换对每个子集进行特征提取得到主成分系数，进而得到重新排列后的特征向量矩阵。
训练ELM网络，以作为每个ELM网络的训练集，并给定激活函数，隐层节点数。
随机给定输入权值以及隐层偏置值，。计算隐层输出矩阵和输出权值。
计算ELM个体网络在每个训练样本上的误差，计算各个体网络在集成预测模型中的权值，集成预测模型的输出为。
5 基于ROF的短期风速极端学习机集成预测
本文选取某风电场采样时间间隔1小时的预测期前的800个实测风速数据为训练样本，分别对当年4个季节中的4天24小时的风速值进行预测。按照第4节算法步骤进行预测，个体ELM网络个数选择为10个。将本文方法与两种单项预测模型预测结果进行比较，本文所提出方法MAE和MAPE均较小，如表1所示。
6 结语
为了增强训练数据的差异性，本文提出一种基于ROF的ELM集成预测算法预测风电场风速，算法运用ROF算法训练集成算法中的个体ELM，并采用加权平均的方法对个体ELM的预测结果进行综合，实验结果表明，本文所提出算法有效的提高了风速的预测精度。
参考文献
[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.利用旋转森林变换的异构多分类器集成算法[J].西安电子科技大学学报（自然科学版），2014，41（5）：55-61.endprint
摘要：为了对风速进行准确的预测，本文提出一种基于ROF的ELM集成预测算法，即采用ROF算法产生差异性训练数据训练多个个体ELM，然后利用加权平均的方法集成各个体ELM的预测结果。实验表明，与个体预测模型相比，该算法有更高的预测精度。
关键词：旋转森林 极端学习机 短期风速预测
中图分类号：TM715 文献标识码：A 文章编号：1007-9416（2014）08-0097-01
1 引言
对风电场风速的准确预测，可以减少电力系统的运行成本和旋转备用，提高风电穿透功率极限。本文提出一种基于ROF的极端学习机集成预测算法提高风电场风速预测的准确性。通过对某风电场四个季节中4天24小时的风速预测结果表明，所提出的算法能有效提高预测精度。
2 极端学习机
极端学习机[1]（ELM，Extreme Learning Machine）在随机给定输入权值与神经元参数的基础上，将传统前馈神经网络参数训练问题转化为求解线性方程组，以直接计算输出权值的最小二乘解的方式完成网络训练过程。
3 旋转森林算法
旋转森林[2]（ROF，Rotation Forest）主要是对集成分类器的原始样本特征进行处理，通过一定的特征提取变换获得集成所需的新样本，并且在保证分类准确性的前提下，增加集成分类器个体间的差异性。
4 基于ROF的极端学习机集成预测算法
首先，利用经过ROF得到的新训练集作为输入输出来训练多个ELM神经网络，并将各ELM神经网络的预测结果进行综合，以得到最终的分类结果。具体步骤如下：
已知：训练数据集，；为集成算法中ELM神经网络的个数；为子集个数；最大迭代次数给定为。
FOR准备旋转矩阵；将特征集分为个子集：。
FOR采用主成分分析变换对每个子集进行特征提取得到主成分系数，进而得到重新排列后的特征向量矩阵。
训练ELM网络，以作为每个ELM网络的训练集，并给定激活函数，隐层节点数。
随机给定输入权值以及隐层偏置值，。计算隐层输出矩阵和输出权值。
计算ELM个体网络在每个训练样本上的误差，计算各个体网络在集成预测模型中的权值，集成预测模型的输出为。
5 基于ROF的短期风速极端学习机集成预测
本文选取某风电场采样时间间隔1小时的预测期前的800个实测风速数据为训练样本，分别对当年4个季节中的4天24小时的风速值进行预测。按照第4节算法步骤进行预测，个体ELM网络个数选择为10个。将本文方法与两种单项预测模型预测结果进行比较，本文所提出方法MAE和MAPE均较小，如表1所示。
6 结语
为了增强训练数据的差异性，本文提出一种基于ROF的ELM集成预测算法预测风电场风速，算法运用ROF算法训练集成算法中的个体ELM，并采用加权平均的方法对个体ELM的预测结果进行综合，实验结果表明，本文所提出算法有效的提高了风速的预测精度。
参考文献
[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.利用旋转森林变换的异构多分类器集成算法[J].西安电子科技大学学报（自然科学版），2014，41（5）：55-61.endprint
摘要：为了对风速进行准确的预测，本文提出一种基于ROF的ELM集成预测算法，即采用ROF算法产生差异性训练数据训练多个个体ELM，然后利用加权平均的方法集成各个体ELM的预测结果。实验表明，与个体预测模型相比，该算法有更高的预测精度。
关键词：旋转森林 极端学习机 短期风速预测
中图分类号：TM715 文献标识码：A 文章编号：1007-9416（2014）08-0097-01
1 引言
对风电场风速的准确预测，可以减少电力系统的运行成本和旋转备用，提高风电穿透功率极限。本文提出一种基于ROF的极端学习机集成预测算法提高风电场风速预测的准确性。通过对某风电场四个季节中4天24小时的风速预测结果表明，所提出的算法能有效提高预测精度。
2 极端学习机
极端学习机[1]（ELM，Extreme Learning Machine）在随机给定输入权值与神经元参数的基础上，将传统前馈神经网络参数训练问题转化为求解线性方程组，以直接计算输出权值的最小二乘解的方式完成网络训练过程。
3 旋转森林算法
旋转森林[2]（ROF，Rotation Forest）主要是对集成分类器的原始样本特征进行处理，通过一定的特征提取变换获得集成所需的新样本，并且在保证分类准确性的前提下，增加集成分类器个体间的差异性。
4 基于ROF的极端学习机集成预测算法
首先，利用经过ROF得到的新训练集作为输入输出来训练多个ELM神经网络，并将各ELM神经网络的预测结果进行综合，以得到最终的分类结果。具体步骤如下：
已知：训练数据集，；为集成算法中ELM神经网络的个数；为子集个数；最大迭代次数给定为。
FOR准备旋转矩阵；将特征集分为个子集：。
FOR采用主成分分析变换对每个子集进行特征提取得到主成分系数，进而得到重新排列后的特征向量矩阵。
训练ELM网络，以作为每个ELM网络的训练集，并给定激活函数，隐层节点数。
随机给定输入权值以及隐层偏置值，。计算隐层输出矩阵和输出权值。
计算ELM个体网络在每个训练样本上的误差，计算各个体网络在集成预测模型中的权值，集成预测模型的输出为。
5 基于ROF的短期风速极端学习机集成预测
本文选取某风电场采样时间间隔1小时的预测期前的800个实测风速数据为训练样本，分别对当年4个季节中的4天24小时的风速值进行预测。按照第4节算法步骤进行预测，个体ELM网络个数选择为10个。将本文方法与两种单项预测模型预测结果进行比较，本文所提出方法MAE和MAPE均较小，如表1所示。
6 结语
为了增强训练数据的差异性，本文提出一种基于ROF的ELM集成预测算法预测风电场风速，算法运用ROF算法训练集成算法中的个体ELM，并采用加权平均的方法对个体ELM的预测结果进行综合，实验结果表明，本文所提出算法有效的提高了风速的预测精度。
参考文献
[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.利用旋转森林变换的异构多分类器集成算法[J].西安电子科技大学学报（自然科学版），2014，41（5）：55-61.endprint
