基于改进粒子群优化算法和极限学习机的锂离子电池健康状态预测

锂离子电池健康状态(SOH)的准确预测能够保障电池安全稳定的运行。针对目前SOH预测模型准确性不高的问题,提出了一种改进粒子群优化算法(IPSOVP)和极限学习机(ELM)的SOH预测模型。首先,对电池数据进行分析,选择能够映射SOH变化趋势的健康特征;然后,采用Pearson相关系数分析法选出与SOH具有极高相关性的3个健康特征作为模型的输入,SOH作为输出;利用IPSOVP算法对ELM进行优化,建立IPSOVP-ELM模型进行SOH预测;最后,利用NASA电池数据集对IPSOVP-ELM模型进行验证,并与ELM模型、PSO-ELM模型、反向神经网络(BP)以及长短期记忆网络(LSTM)模型进行比较。实验结果表明,IPSOVP-ELM模型误差稳定在2%以内,具有更高的预测精度和鲁棒性,性能更好。

改进粒子群-极限学习机模型在面板堆石坝运行期沉降预测中的应用

针对极限学习机(ELM)沉降预测模型中随机权值和阈值导致部分节点无效的问题,引入改进粒子群算法(IPSO)优化极限学习机的参数,构建基于改进粒子群-极限学习机算法的面板堆石坝运行期沉降预测模型,并将其应用于某完建的面板堆石坝运行期沉降预测中。结果表明,与未优化的极限学习机预测模型和统计回归预测模型的拟合预测结果相比,经改进粒子群算法优化后的极限学习机预测模型在测点上的拟合精度更高,且由于引入改进粒子群算法后,极限学习机在满足精度条件下所需预设的隐含层神经元数更少,这可极大地降低模型网络的复杂度,避免模型在训练中出现过拟合现象;三个模型中IPSO-ELM模型的泛化能力更好,预测结果更精确、稳定。

基于改进粒子群优化算法和极限学习机的混凝土坝变形预测

混凝土坝变形预测是评价大坝运行状态和预测大坝行为的重要方法.但是,混凝土坝的随机荷载和强非线性变形限制了传统多元线性回归模型的应用.而人工神经网络模型则对复杂和高度非线性行为具有良好适应性.针对基于梯度下降法的常规神经网络模型收敛速度慢和过度拟合等问题,提出了一种基于改进型粒子群优化算法选取极限学习机(ELM-IPSO)最优参数的大坝变形预测模型.针对传统粒子群算法搜索时间长、容易陷入局部最优的特点,采用自适应惯性权重和动态调整学习因子,对粒子群算法进行了改进.研究表明,IPSO算法提高了粒子群优化的全局搜索能力,提高了计算效率.应用IPSO优化ELM模型的初始权值和阈值.通过东江混凝土拱坝的实测资料,验证ELM-IPSO模型的预测性能.将计算结果与BPNN模型、ELM模型和传统ELM-PSO模型的结果进行比较.BPNN模型、ELM模型、ELM-PSO模型和ELM-IPSO模型的平方相关系数R2分别为89.15%、91.13%、93.87%和94.36%.ELM模型的R2大于BPNN模型,说明ELM模型比常规的BPNN模型预测精度更高,泛化性能更好.ELM-PSO模型的预测精度大于ELM模型,说明PSO对ELM的优化在提高预测精度方面具有良好的作用.4个模型中,ELM-IPSO模型的R^2最大,预测精度最高,这表明提出的ELM-IPSO模型能够有效提高混凝土坝变形的预测能力.

基于粒子群优化极限学习机及电容层析成像的两相流流型及其参数预测

提出了一种基于粒子群优化极限学习机及电容层析成像的两相流流型辨识及其参数预测方法。首先,通过粒子群优化极限学习机的连接权值,并使用粒子群优化极限学习机算法对4种典型的油-气两相流流型进行辨识;其次,使用粒子群优化极限学习机算法对流型的参数进行预测;最后进行了仿真实验,结果表明,与极限学习机算法相比,粒子群优化极限学习机算法所需隐层节点数更少,流型辨识率更高,其正确辨识率达100%,对4种流型参数预测的最大相对误差为5.24%。

基于改进极限学习机的通风扇故障诊断

为了提高飞机电子舱通风扇故障诊断精度,该文提出了一种基于改进极限学习机的通风扇故障诊断方法。采用收缩系数改进粒子群算法,得到IPSO算法,并采用IPSO算法对ELM进行优化,建立了基于IPSO-ELM的故障诊断模型。采用美国西储大学轴承中心的风扇端加速度数据进行仿真分析,并与PSOSVM模型进行对比,结果表明,IPSO-ELM模型的诊断精度为98%,比PSO-SVM模型高6.52%,验证了该文所提通风扇故障诊断方法的实用性。

基于改进极限学习机的公交站点短时客流预测方法

以公交车IC卡和GPS数据为基础,提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC卡和GPS数据在站点的特征表现和内在联系,定义了站点间距,并分析了站间距和车辆到总站距离间的联系;提出了公交乘客上车站点确定方法,进而得到公交站点上车客流量;通过分析公交客流数据特征,确定ELM输入参数维度,并采用IPSO算法找到ELM的最优隐含层节点参数;最后依托广州市19路公交车客流数据仓库进行了方法验证.结果表明:所用优化后的ELM方法预测误差在10%以内,并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析,发现改进的ELM方法拥有更高的可靠性和泛化性能.

基于改进Fisher准则、VMD、距离相关系数和核极限学习机的轴承故障诊断

针对滚动轴承早期微弱故障特征提取问题和诊断模型的参数优化问题,提出一种基于变分模态分解(VMD)和距离相关系数的特征提取方法和基于模拟退火粒子群算法的参数优化方法。首先依据不出现模态混叠的条件和信噪比最大的准则确定VMD的参数k和α,其次将分解所得各个模态的峭度,中心频率和同原信号的距离相关系数作为小波核极限学习机的特征向量,并用模拟退火粒子群算法基于改进的核空间的Fisher准则优化小波核的2个参数,同原始Fisher准则相比提升了分类准确率,适用于小样本训练集下核极限学习机的参数优化。对比实验表明相比EMD方法,VMD方法有更高的分类准确率和更好的噪声鲁棒性。

基于光谱和改进极限学习机的土壤含盐量分析

研究盐碱地的性质、组成,对于生态环境具有重要意义。传统的含盐量测定方法大多基于化学分析,因其成本高、效率低的缺点使得应用于大面积土地的可行性很低。极限学习机(ELM)作为一种基于前馈神经网络构建的机器学习系统,在许多研究中作为一种光谱处理方法被成功运用。为了改进传统的盐碱地含盐量检测方法,采用光谱学结合改进的极限学习机(ELM)模型的方法对盐碱地进行研究。根据镇赉县采集得到的62个土壤表层样本得到对应的光谱反射率和含盐量数据,提出了基于随机值改进粒子群优化算法(RVIPSO-MELM)优化的多层极限学习机模型。首先使用主成分分析提取光谱数据特征,并使用ELM算法对光谱数据建立分类模型,引入改进的粒子群优化算法以提高精度和速度。该模型结合了具有随机值的多层ELM(RV-MELM)和改进PSO算法的多层ELM(IPSO-MELM)二者的优点,在运用启发式算法搜索最优值的同时还具有随机性,提高了模型优化速度,同时以提高模型性能为目的对隐含层之间参数进行优化和选择。并且该模型可以推广到多层,对隐含层之间的参数的两种选择方法,根据经验公式计算和使用改进的启发式算法搜索,进行了提高模型性能和优化时间的讨论,实践结果表明,选择第一层参数使用改进粒子群优化算法,确定随后的隐含层之间参数选择,使用经验公式进行计算得到一种更具现实意义的方法模型。模型在进行启发式搜索最优值之前,利用蒙特卡罗方法确定一个较好的初值,使得模型能保持较高准确率的条件下,优化速度进一步提高。相比于传统方法,这种光谱分析结合ELM的模型节省时间和经济成本,有一定推广意义。

基于随机森林与改进极限学习机的PM2.5浓度模型

由于PM2.5浓度预测中的影响因素过于复杂,影响因素的高维性与非线性对预测结果有着很大的干扰,容易产生PM2.5浓度预测误差高和模型泛化能力差等问题。针对上述缺陷,可通过一种基于随机森林-粒子群优化-极限学习机(RF-PSO-ELM)的PM2.5浓度预测模型解决。该模型首先使用随机森林算法对影响因素进行特征选择,选择出对于PM2.5浓度重要性高的因素构成特征;再利用提取得到的特征作为PSO-ELM算法的输入;最后对上海市的PM2.5浓度做出预测,从最终的实验数据中可以看出:该模型比支持向量机(SVM)、未优化的极限学习机(ELM)和反向神经网络(BPNN)等预测模型在预测精度和泛化能力方面有着显著的提高。

基于改进极限学习机的转炉出钢合金化锰收得率预测模型

针对转炉炼钢出钢合金化过程合金的加入量偏差较大的问题,为更精确地控制合金加入量,以某钢厂冶炼HRB400钢出钢过程加入硅锰合金为例,建立基于极限学习机算法的Mn元素收得率预测模型,并引入正则化方法和改进粒子群算法(IPSO)对极限学习机算法进行优化,以提高模型的泛化能力和预测精度。研究结果表明:Mn元素收得率预测相对误差在5%和3%以内的命中率分别为95%和80%,准确性高于BP神经网络及人工经验的预测结果。照此种方式控制硅锰合金加入量可以满足成品钢的成分要求,且每炉次硅锰合金加入量较人工经验值平均减少20 kg,可带来每年400万元的经济效益,能够为现场生产提供参考。

基于ICPSO优化的极限学习机在故障诊断中的应用

极限学习机(extreme learning machine,ELM)的分类性能受随机产生的输入权值和隐层阈值的影响,为此,提出一种改进的混沌粒子群算法(ICPSO),用以优化输入权值和阈值,得到基于ICPSO优化的ELM故障诊断模型。仿真和实验结果表明,ICPSO算法改善了ELM网络的学习效率和诊断精度,可有效应用于故障诊断。

基于极限学习机的风电机组主轴承故障诊断方法

针对传统故障诊断方法在风电机组主轴承的故障诊断中诊断准确率不高的问题,引入了一种改进粒子群优化(PSO)算法,并结合交叉验证(CV)优化极限学习机(ELM)的方法。利用ELM建立故障诊断模型,采用主轴承振动信号的代表性时域特征参数作为模型输入,结合改进PSO算法和CV用于模型的参数优化,用于风电机组主轴承的故障诊断。实例分析表明,文章提出的方法可以快速、有效地诊断风电机组主轴承的故障,与LS-SVM,SVM和BPNN等方法相比,诊断准确率更高。

基于随机权重法改进PSO-ELM的露天矿边坡稳定性分析

为提高极限学习机(ELM)模型在弓长岭露天矿边坡稳定性预测中的精度,有效解决ELM模型在训练过程中随机产生的连接权值和隐含层偏置而导致模型稳定性差的问题,引入基于随机权重法改进的粒子群算法(IPSO)进行优化,提出了改进粒子群算法优化极限学习机(IPSO-ELM)模型,将该模型应用到弓长岭露天矿边坡监测的数据中,把预测结果与ELM模型和PSO-ELM模型的预测值进行对比分析。结果表明:IPSO-ELM模型预测值接近于实测值,预测精度高、预测速度快、模型构建合理,在露天矿边坡预测中具有较高的可行性,可作为露天矿边坡预测的一种参考方法。

基于PCA-IPSO-ELM的集装箱船在泊时间预测

集装箱船在泊时间是制定泊位计划的重要依据。针对在泊时间预测面向不确定性环境的特性,考虑适用模型预测性能,提出一种基于主成分分析(PCA)、非线性参数动态控制的改进粒子群算法(IPSO)和极限学习机(ELM)的在泊时间集成预测模型,以天津港集装箱船港口作业数据为预测样本进行了实证研究。对比仿真结果表明:与已有集装箱船在泊时间预测模型相比,PCA-IPSO-ELM集成预测模型具有更高的精准度和时效性,其中,改进后的粒子群算法也体现出了较强的全局探索能力及较好的稳定性。该模型可为制定泊位计划提供有力的数据支持,有助于港口制定科学高效的泊位计划。

改进粒子群算法和ELM的刀具磨损量预测

为了提高车刀磨损量预测模型的训练速度和在线预测精度,提出了一种基于改进粒子群算法(Improved Particle Swarm Optimization,IPSO)和极限学习机(Extreme Learning Machine,ELM)的刀具磨损量预测方法。采集车削加工中的声发射信号,利用小波包变换理论对信号进行降噪和特征提取,并通过主成分分析对提取的特征进行降维,选取其中对刀具磨损量敏感的特征值组成特征向量。建立基于极限学习机的刀具磨损量预测模型,并通过改进粒子群算法优化模型中的初始权值和阈值。实验结果表明:优化后的刀具磨损量预测模型相比于传统BP神经网络有更快的训练速度,同时改进后的粒子群算法有更好的寻优能力,提高了模型对于刀具磨损量的预测精度。

基于PSO-ELM的变压器油纸绝缘状态无损评估方法

油浸式电力变压器作为电网的重要组成部分,其可靠运行至关重要。针对变压器长期运行后无法定量评估其绝缘状态的问题,文中开展了油纸绝缘模型的加速老化及受潮试验,探究了油纸绝缘老化及受潮程度对其回复电压曲线的影响规律,并提出采用粒子群优化-极限学习机(particle swarm optimization-extreme learning machine,PSO-ELM)算法的参数预测方法,实现了基于回复电压曲线特征参量的油纸绝缘老化与受潮状态量化评估。由油纸绝缘模型理化性能分析的对比结果可知,基于PSO-ELM方法的预测值精度远高于传统ELM方法,油纸绝缘内含水率及纸板聚合度预测的绝对误差范围分别小于±0.4%、±30。

基于ICEEMDAN-IPSO-ELM的硅油溶解气体浓度组合预测方法

高压电缆充油终端作为电力系统中传输电能的重要设备,对充油电缆终端内填充的硅油溶解气体浓度进行可靠预测,可为硅油的故障诊断提供一定的支撑。因此,提出一种基于局部异常因子与ICEEMDAN-IPSO-ELM的硅油中溶解气体浓度预测模型。首先,搭建模拟电缆终端内部硅油老化实验平台,通过色谱分析获得硅油中溶解气体浓度序列,进而对硅油中溶解气体浓度时间序列进行数据清洗,采用局部离群因子检测方法判断异常值并进行合理的修正,进而采用改进自适应白噪声完全集合经验模态分解将修正后的硅油中溶解气体浓度序列进行分解,得到不同时间尺度的本征模态函数分量,可以有效降低高、低频分量间的相互影响;其次,针对具有不同特征的频率分量搭建极限学习机网络预测模型,针对极限学习机模型参数较难选取的问题,采用改进粒子群优化方法对模型的权值和阈值参数寻优求解,在一定程度上优化了粒子群方法的寻优能力,并提高了组合预测方法的可靠性;最后,将不同频率分量的计算结果加和,便可得到硅油中溶解气体浓度的预测含量。具体实例表明,与其他预测模型相比,该方法能够可靠预测出硅油中溶解气体含量的未来走势,为硅油故障诊断技术提供了有力的保障。

基于IPSO-ELM算法的空气质量预测

基于人工神经网络空气质量预测模型存在易陷入局部极值、参数选取困难等问题,文章提出利用极限学习机进行空气质量预测。针对传统极限学习机的隐含层节点数、及其阈值和权值随机生成造成网络学习能力下降的问题,提出利用改进粒子群算法并行优化极限学习机的隐含层节点数和隐含层的阈值、权值,并以均方根误差作为适应度函数。利用优化后的极限学习机预测空气质量(SO2、NO2、PM10、CO、O3、PM2.5浓度和AQI),并将预测结果与BP神经网络和ELM算法进行比较。结果表明,该文所提的空气质量预测方法比BP神经网络和ELM算法具有更高的预测精度和可靠性。

基于IPSO-ELM的边坡稳定性分析

边坡稳定性受多种复杂因素影响,传统算法很难得到高精度预测结果,为了及时准确地对边坡稳定性做出可靠性分析,提出了改进粒子群优化极限学习机(IPSO-ELM)模型并应用于边坡稳定性预测实例中。首先在粒子群算法(PSO)的基础上,为克服在寻优过程中易出现局部最优的问题,引入自适应权重法,将改进粒子群算法(IPSO)对极限学习机(ELM)的输入权值和隐层偏置进行优化,大大提高了ELM模型的泛化能力和预测精度,然后将IPSO-ELM模型、PSO-ELM模型和ELM模型的预测值与真实值对比分析。结果表明IPSO-ELM模型预测值趋近于真实值,有较高的预测精度,验证了IPSO-ELM模型在评价边坡稳定性中的可行性和有效性。

基于KPCA-MPSO-ELM的矿井突水水源判别模型

为准确判别矿井突水水源并有效预防突水事故,提出一种基于核主成分分析-改进粒子群算法-极限学习机（KPCA-MPSO-ELM）的矿井突水水源判别模型。利用核主成分分析（KPCA）法对原始数据进行属性约减,通过改进粒子群算法（MPSO）优化极限学习机（ELM）的初始权值和阈值,建立KPCA-MPSO-ELM模型;在综合考虑矿井各含水层的水化学特征的基础上,选取Ca2＋、Mg2＋、K＋＋Na＋、HCO3-、SO42-、Cl-等的浓度和总硬度作为矿井突水水源的主要判别依据;以新庄孜矿的45组实测数据作为样本进行实例分析,其中33组数据作为训练数据训练模型,另外12组数据作为预测样本,用该模型进行预测,并将其判别结果与MPSO-ELM、KPCA-PSO-ELM模型的判别结果进行对比。结果表明：KPCA方法能减少指标数据间的信息重叠;通过MPSO优化ELM参数,可提高算法的整体搜索性能和收敛速度; KPCA-MPSO-ELM模型的预测精度高于MPSO-ELM、KPCA-PSOELM等2个模型。