基于加权极端学习机的瓦斯涌出量预测模型

为了能够更加准确地预测瓦斯涌出量，提出一种多元混沌时间序列的加权极端学习机瓦斯涌出量预测模型。首先对瓦斯涌出量监测数据构成的多元时间序列进行相空间重构，采用信息熵方法选取最佳延迟时间和嵌入维数：然后根据相空间中输入数据对预测误差的影响施加不同的权重，并结合核极端学习机预测模型构造出加权极端学习机模型。通过仿真试验表明，提出的预测模型行之有效，与同类其他模型相比，具有更高的预测精度和更好的稳定性。

多元混沌时间序列的加权极端学习机预测

针对多元混沌时间序列具有强非线性,难以建立数学模型进行准确预测的问题,本文提出一种加权极端学习机预测算法.首先对多元混沌时间序列进行相空间重构,并根据相空间中输入数据对预测误差的影响施加不同的权重.然后,提出一种支持向量极端学习机预测模型,具有支持向量机的核映射表达能力以及极端学习机的一步快速训练能力,因此训练简便且具有较好的泛化性能.所提算法具有和训练样本三次方成正比的计算复杂度,因此适用于102?103样本规模的平稳时间序列.基于Lorenz混沌时间序列和年太阳黑子和黄河年径流混沌时间序列预测的仿真结果证明所提算法的有效性.

基于DGA与IGWO-WELM的变压器不平衡故障诊断研究

针对变压器故障诊断精度较低的问题,提出一种改进的灰狼算法(IGWO)与加权极限学习机(WELM)的变压器不平衡故障诊断模型。首先,基于油中气体分析(DGA)技术,结合无编码方法将变压器的7种特征量作为可视输入;然后,采用Logistic混沌映射、云模型惯性权重对灰狼算法(GWO)进行改进;最后利用IGWO对WELM的相关参数进行迭代优化,并利用IGWO-WELM故障诊断模型对变压器进行故障诊断。试验结果表明:提出模型的G-mean平均值为96.06%,比GWO-WELM、GA-WELM、PSO-WELM和WELM分别高10.96%、12.92%、1.08%和18.41%;误报率平均值为12.28%,也明显低于其他4种模型。