基于OS-EL和Bootstrap方法的超短期风电功率预测附录.docVIP

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) and ELM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A1 OS-ELM流程图 F