极限学习机（Extreme Learning Machine，ELM）是一种单隐层前馈神经网络，具有快速训练速度和良好的泛化能力。ELM 通过随机初始化输入层到隐层的连接权重和隐层神经元的偏置，然后利用解析方法直接计算输出层的权重，从而实现快速训练。以下是一个基于 ELM 的用电量预测流程示例：
数据准备
数据收集：收集历史用电量数据，包括时间戳和相应的用电量值。
模型建立
划分数据集：将数据集划分为训练集和测试集。
构建 ELM 模型：建立一个 ELM 模型，包括随机初始化输入层到隐层的连接权重和隐层神经元的偏置。
模型训练：利用训练集数据直接计算输出层的权重。
模型评估和预测
模型评估：使用测试集评估模型的性能，通常使用指标如均方根误差（RMSE）或平均绝对误差（MAE）来评估预测精度。
用电量预测：使用训练好的 ELM 模型对未来时间步的用电量进行预测。
完整代码
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear