基于混合扰动的超短期风电功率ELM集成预测
敖培李怀芝李明²杨百顺²李延强
（1.河南师范大学计算机与信息工程学院河南新乡453007；
2.河南师范大学软件学院河南新乡453007:3.河南师范大学政治与公共管理学院河南新乡4534007)
异性然后利用加权平均的方法集成各个依ELM的预洲结果.实验表明，与个依预洲模型相比，算法有更高的预测精度. 关键词：Bootrp算法随机子空间算法极端学习机集成预测
中图分粪号：TP311.13 文献标识码：A 文章编号：1007-9416(2014)10-0079-01
1引言
进行操作.对于某个样本集S的m维特征空间进行随机扰动，随机抽 集S进行拟合，拟合后的序列作为特征构成特征空间，运用RS算法取r（r<m）个特征，形成样本数为n.维数为r的新样本集. 为了有效提高电网接纳风电的能力，有必要对风电场所发出的功率进行准确的短期预测.本文提出一种基于混合扰动的超短期风 电功率极端学习机（Extreme Leaming Machine，ELM)集成预测算法，即采用Bootstrap算法和随机子空间算法（Random Subspace，RS)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.通过实例证明，本文所提出的算法具有较高的预测精度. Step3：用新样本集训练ELM网络，并给定激活函数g（x)，隐层节点数q.随机给定输人权值w以及隐层偏置值b.D=1.2..q.按照式（2）计算隐层输出矩阵H和输出权值β. Step 4：计算ELM个体网络Ci在每个训练样本上的误差e°=（1C (X)-Y1）/（sup丨C (X)-Y1），计算各个体网络在集成预测 2基于混合扰动的差异性基分类器训练样本生成策略 动两种.Bagging算法是基于训练样本分布扰动的分类器集成技 分类器集成的样例扰动方式分为样本分布扰动和样本特征扰空间.本文利用Bootstrap技术生成有差异的样本子集，然后采用各 术，RS算法是一种针对样本的特征空间进行随机扰动形成特征子单项预测模型对样本子集进行拟合，得到的序列作为特征，最后在此特征空间中随机选取特征，利用特征扰动后的子集训练出不同的 基分类器，可以达到降低基分类器的相关性的目的，从面改善集成分类器的预测性能表现. 4基于ROF的短期风速极端学习机集成预测 年6月1日到19日实际采集的风电功率时间序列进行分析，首先对数 为验证本文所提出预测模型的可行性，以某大型风电场在2006据进行归一化处理，转化为-1.1]之间的数据，其中前18日数据进行 模型训练，即2592个点为训练样本，第19日的数据进行测试验证，为了比较预测精度，本文采用仅对训练集进行Bootstrap抽样的ELM集成预测方法和SVM集成预测方法的预测结果进行了比较，采用归一 化绝对平均误差、归一化均方根误差和最大绝对误差为依据来评价各模型的预测性能，预测误差如表1所示.从表1中可以看出，采用本 文所提出方法各项误差指标均高于其他两种方法，预测效果较好. 3基于混合扰动的超短期风电功率ELM集成预测 基于混合找动的超短期风电功率ELM集成预测步骤如下： Step 1：已知训练数据集（X ，Y）、j=1 2， N采用Bootstrap抽样产生新样本集S，该样本集与原始数据集的样本容量相同.重复 抽样方法，对于样本个数为n维数为2的原始数据集S，采用有放回操作K次，可以得到K个样本集S（i=1，2.，K）. 为了增强训练数据的差异性，本文提出一种基于混合扰动的ELM集成预测算法对超短期风电功率进行预测.实验结果表明，本 文所提出算法可以有效提高超短期风电功率的预测精度. Step2：运用m种单项预测模型对由Ste1生成的每个新样本 表1多种预测方法预测误差比较 预测方法 基于 Bootstrap 的 ELM 集成预测 误差指标（%） 归一化绝对平均说差 7.8647 误差值归一化均方根误差 最大绝对误差 12.3876 50.6540基于 Bootstrap 的 SVM 集成预测 归一化绝对平均谈差 日一化均方根误差 7.9204 11 6223本文方法 日一化地对平均误差 最大绝对误差 4.8789 52.6652归一化均方根录差 最大绝对误差 6.6060 17.3624 参考文献 [1 JBry]1 R Gut:lerrez 0 R Quek F Attribute bagging: Improving accuracy of classifier ensemb les by using random feature subset [J]. Patterm Recognit1on 2003 36(3):1291 1302.sion Forests [J].IEEE Transactions on Pattern Analysis and [2]Ho T K. The Randon Subspace Method for Constructing DeciMachine [Inte11igence 1998(8):832844. 收稿日期：20140917作者简介：教培（1979一)，女，蒙古族，辽宁沈阳人，讲师，硕士生导师，博士，研究领城为智能信息处理； 李怀芝（1992一），女，汉族，河南新乡人，本科，研究颌城为通信工程； 李明（1993一）男，汉族河南襄城人，本科，研完领残为计算机科学与技术：杨百顺（1992一），男，汉族，河南商城县人，本科，研完领域为计算机科学与技术； 李延强（1993一），男，汉族，河南中年人，本科，研完领域为思想政治教育.
