典型文献
基于PCA-SOA-ELM的空调系统负荷预测
文献摘要：
针对参与需求响应的空调系统负荷预测方法存在预测精度低、预测时间长等问题,提出一种基于主成分分析(principal component analysis,PCA)与海鸥优化算法(seagull optimization algorithm,SOA)优化极限学习机(extreme learning machine,ELM)空调负荷预测模型.通过PCA提取影响空调系统负荷数据的主要特征,建立空调系统ELM负荷预测模型,并采用SOA对模型参数进行迭代寻优.为了验证算法的有效性,以某办公建筑的空调负荷数据为例进行实例分析,实验结果表明:经PCA特征提取后得到包含98.00％原信息的6项主成分,SOA-ELM模型的预测结果与实际值基本吻合,其均方根误差为0.0137,平均绝对百分比误差为0.8392％,决定系数高达0.9910,训练时长为3.482 s,相较于其他3种对比模型性能更优.证明了所建模型泛化性能强、预测精度高,能够有效预测空调系统需求响应时段负荷的变化情况.
文献关键词：
需求响应;负荷预测;主成分分析 (PCA);海鸥优化算法 (SOA);极限学习机 (ELM)
中图分类号：
作者姓名：
闫秀英;李忆言;杜伊帆;闫秀联
作者机构：
西安建筑科技大学建筑设备科学与工程学院,陕西省 西安市 710055
文献出处：
引用格式：
[1]闫秀英;李忆言;杜伊帆;闫秀联-.基于PCA-SOA-ELM的空调系统负荷预测)[J].分布式能源,2022(02):56-63
A类：
B类：
SOA,ELM,空调系统,系统负荷,需求响应,负荷预测方法,principal,component,analysis,海鸥优化算法,seagull,optimization,algorithm,化极,极限学习机,extreme,learning,machine,空调负荷,负荷预测模型,负荷数据,迭代寻优,办公建筑,平均绝对百分比误差,决定系数,对比模型,模型性能,模型泛化性,泛化性能,系统需求
AB值：
0.304939
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
