极限学习机（Extreme Learning Machine, ELM）或“超限学习机”是一类基于前馈神经网络（Feedforward Neuron Network, FNN）构建的机器学习系统或方法，适用于监督学习和非监督学习问题。ELM在研究中被视为一类特殊的FNN，或对FNN及其反向传播算法的改进，其特点是隐含层节点的权重为随机或人为给定的，且不需要更新，学习过程仅计算输出权重。

传统的ELM具有单隐含层，在与其它浅层学习系统，例如单层感知机（single layer perceptron）和支持向量机（Support Vector Machine, SVM）相比较时，被认为在学习速率和泛化能力方面可能具有优势。

代码包含：①对电力负荷数据进行处理；②采用极限学习机(ELM)对电力负荷数据进行训练和预测；③采用减法平均优化器算法优化极限学习机的权值阈值，降低预测误差；④采用白鲸算法优化ELM，并与减法优化器算法对比，突出减法优化器的高效准确性

算例数据包含负荷值，温度，湿度，风速，压强，降水量，能见度，水汽压和体感温度，即多输入

参考文献：《基于大数据的IWOA-KELM铁水硅含量预测模型》《基于PCA-PSO-ELM模型对地震死亡人数的预测研究》《基于灰狼算法和极限学习机的风速多步预测》《基于VMD-IELM的淮安市二河溶氧量预测研究》《基于ISHO-ELM模型的短期电力负荷预测》《基于VMD-MWOA-ELM的日前光伏功率预测》

代码获取方式：代码获取方式