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
