[发明专利]一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法

权利要求书

1.一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法，其特征在于，主要包括以下步骤：

1)建立所述极限学习机模型。

2)将若干极限学习机模型逐层堆叠，建立堆叠式极限学习机；

3)建立基于堆叠式极限学习机的数据驱动最优潮流学习框架；

4)在堆叠式极限学习机中设置强化层，以增强对堆叠式极限学习机框架的学习能力；

5)利用堆叠式极限学习机对数据驱动最优潮流学习框架进行解算。

2.根据权利要求1或2所述的一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法，其特征在于，建立极限学习机模型的主要步骤如下：

1)获取输入数据集X；

2)建立极限学习机模型隐藏层的输出矩阵H，即：

H＝g(WX+b) (1)

式中，H是隐藏层输出矩阵；g(·)是激活函数；W是随机生成的输入权重矩阵；b是随机生成的偏置向量；

3)计算隐藏层和输出层之间的输出权重矩阵β，即：

β＝(H^TH)^-1T (2)

式中，T表示极限学习机模型学习的目标矩阵。

3.根据权利要求1所述的一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法，其特征在于，将若干极限学习机模型逐层堆叠，建立堆叠式极限学习机的主要步骤如下：

1)利用PCA降维方法将堆叠式极限学习机划分为多个逐层堆叠的子ELM神经网络，并随机生成第一个子ELM神经网络的隐藏层神经元参数；随机生成的隐藏层神经元数量记为L_m；m初始值为1；

2)利用L2正则化对第m个子ELM神经网络的隐藏层输出矩阵H_m进行优化，即：

式中，β_m是第m次迭代的输出权重矩阵，且满足f_m表示优化函数；C是惩罚因子；H_m是第m次迭代的隐藏层输出矩阵；

3)计算第m次迭代的输出权重矩阵β_m，即：

式中，C是惩罚因子；

4)利用主成分分析法对输出权重矩阵β_m进行降维，并生成特征向量矩阵V_m∈R^L×L；原始隐藏神经元数目记为L_m，降维后的隐藏神经元数目记为l_m；前l_m列特征向量记为

降维后，减少的隐藏层输出矩阵如下所示：

5)随机生成L_m-l_m个隐藏神经元，并计算得到具有L_m-l_m个隐藏神经元的隐藏层输出矩阵H_new；

6)迭代更新隐藏层输出矩阵H_m+1，即：

7)基于迭代更新的隐藏层输出矩阵H_m+1，对特征向量矩阵V_m+1进行优化，得到优化特征向量并返回步骤2)，直至迭代结束。