基于CSO-ELM模型的工程施工成本预测研究

鉴于影响工程施工成本因素之间复杂的非线性关系，进行准确的工程施工成本预测有一定难度，提出鸡群算法（CSO）和极限学习机（ELM）结合的CSO—ELM工程施工成本预测模型．首先利用CSO对ELM模型的输入权值及偏置值进行全局搜索寻优，得到最佳参数；然后将该参数代入ELM模型中建立CSO—ELM工程施工成本预测模型；最后以11个气膜钢筋混凝土储仓工程为例，验证该模型的科学性．结果表明：CSO优化ELM的输入权值与偏置值是有效的；与传统ELM、BP神经网络模型相比，CSO—ELM模型具有更高的预测精度及效率，为工程施工成本预测提供了一个有效的方法．

基于经验模式分解与纵横交叉算法的台区负荷预测

准确的负荷预测可以优化各种能源配置,进一步节约能源。但随着新能源的快速发展以及大量应用,越来越多的光伏和风电资源并网,导致电网出现了大量的冲击性负荷,对负荷预测造成了很大的困难。为了降低预测难度,采用经验模式分解(EMD),将不平稳的原始负荷序列分解成一系列较为平稳的负荷子序列。极限学习机(ELM)只需设置隐含层神经元的个数,便可获得唯一的最优解。但由于其输入层权重和隐含层阈值的产生不是固定的,导致预测结果波动性大。为了进一步提高预测精度,使用纵横交叉优化(CSO)算法优化ELM,并对每一条负荷子序列建模。最后,将各个模型的预测结果叠加以获得最终的预测值。试验结果表明,所提出的预测模型的预测精度和收敛速度均优于其他预测模型。