基于极限学习机(ELM)进行多变量用电量预测（Matlab代码实现）

 欢迎来到本博客❤️❤️❤️
作者研究：本科计算机专业，研究生电气学硕。主要研究方向是电力系统和智能算法、机器学习和深度学习。目前熟悉python网页爬虫、机器学习、群智能算法、深度学习的相关内容。希望将计算机和电网有效结合！⭐️⭐️⭐️
博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者
目前更新：电力系统相关知识，期刊论文，算法，机器学习和人工智能学习。
支持：如果觉得博主的文章还不错或者您用得到的话，可以关注一下博主，如果三连收藏支持就更好啦！这就是给予我最大的支持！

‍博主课外兴趣：中西方哲学，送予读者：

‍做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“真理”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......

本文目录如下：⛳️⛳️⛳️

​

目录

1 概述

2 Matlab代码实现

---

1 概述

在本文中，极限学习机（ELM）被证明是一种强大的电力消耗预测工具，其预测精度与支持向量机（SVM）相比具有竞争力，计算速度更快。此外，利用ELM研究了利用电力相关因子和环境因子等辅助信息来增强纯粹利用用电系数获得的预测精度的潜力。此外，我们利用最合适的ELM结构，提出了一个组合优化问题，寻找辅助因子的最优子集及其相应的最优窗口大小，并提出了一种离散动态多群粒子群优化（DDMS-PSO）来解决这个问题。对真实世界建筑数据集的实验研究表明，与电力相关的因素可以提高准确性，而环境因素可以进一步提高准确性。通过使用DDMSPSO，我们找到了与电相关和环境因素的子集，它们各自的窗口大小以及ELM中隐藏神经元的数量，从而获得最佳的预测准确性。

2 Matlab代码实现