基于OS-ELM和Bootstrap方法的超短期风电功率预测附录_第1页
基于OS-ELM和Bootstrap方法的超短期风电功率预测附录_第2页
基于OS-ELM和Bootstrap方法的超短期风电功率预测附录_第3页
基于OS-ELM和Bootstrap方法的超短期风电功率预测附录_第4页
基于OS-ELM和Bootstrap方法的超短期风电功率预测附录_第5页
已阅读5页,还剩1页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

附录A对于N个不同的训练样本,是维输入向量,是维输出向量,具有D个隐层节点和无限可微激活函数的SLFN结构可以以零误差逼近这N组样本,即存在,和,使,也可写成如下形式:(A1)式中:为维向量,表示输入层与隐含层的神经元的连接权值;为维向量,表示隐含层与输出层神经元的连接权值;为隐含层神经元的阀值;为网络的输出;为激活函数,可以是“sig”,“rbf”,“sin”等多种形式。这N个方程可写成矩阵形式: (A2) (A3)andELM全局最优输出权值可写为: (A4)OS-ELM主要包括2个步骤。1)初始化阶段给定网络初始的隐含层节点数,初始训练样本,激活函数,随机产生输入层和隐含层之间连接权值和阀值初始化网络,求得初始隐含层输出矩阵H0和输出权值向量。2)在线序贯学习阶段当第t+1批次样本数据到来,t+1次隐含层输出矩阵和输出权值向量可根据下式更新: (A5)(A6)式中:;;表示第t+1批次样本的个数;=[,,...,],表示第t+1批次样本的输入向量。整个流程详见图A1,首先通过标准ELM建立初始网络,随后根据最新批次的样本数据不断更新参数H和,更新网络,直到所有数据学习完毕。图A1OS-ELM流程图Fig.A1FlowchartofOS-ELM附录BB1误差评估概念1)残差样本对于个误差评估训练样本,假定预测残差是一个随机变量,其中表示原始网络隐函数,为对应的实测值,方差为,其总体分布F未知。为了消除模型系统误差的影响,将预测残差中心化:,(B1)上述即构成误差总体分布F的一个观测。2)Bootstrap训练样本从中有放回地进行次随机抽样,记第j次抽到样本为(),由此构造一组Bootstrap训练样本,其中定义为:(B2)理论上

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论