基于因果正则化极限学习机的风电功率短期预测方法

随着风电并网比例的逐年提高,电力系统对风电功率预测的准确性和稳定性提出了更高要求。对于同一风电场而言,为了避免不同特征选择方法所选择的风电场特征子集不同,从因果关系的角度出发,提出了一种基于因果正则化极限学习机(causal regularized extreme learning machine, CRELM)的风电功率短期预测方法。首先将极限学习机(extreme learning machine, ELM)建模为结构因果模型(structural causal model, SCM),在此基础上计算隐藏层神经元与输出层神经元之间的平均因果效应向量。然后将该平均因果效应向量与输出层权重相结合构成因果正则化项,在最小化训练误差的同时最大化网络的因果关系,以进一步提升模型的预测准确性和预测稳定性。最后,以国内蒙西某风电场数据为例,与采用特征选择或不采用特征选择的预测模型相对比,验证了所提方法的有效性和适用性。

基于小波去噪及优化极限学习机的城市轨道沉降预测

地铁轨道结构变形是影响地铁安全运营的重要因素,尤其是在沉降变形方面,因此监测地铁轨道沉降变形,同时根据监测结果对轨道的沉降变形趋势进行准确判断具有重要意义。本文以某市地铁2号线轨道监测数据为例,发挥小波分析与极限学习机(ELM)模型在数据处理、数据预测中的优势,将粒子群优化(PSO)算法用于ELM模型参数优化中,构建基于小波去噪的PSO-ELM组合预测模型,进行地铁轨道的沉降变形预测研究。通过小波分析进行监测数据去噪,解决了监测数据不稳定带来的预测结果的干扰问题;通过构建PSO-ELM组合预测模型,解决了模型参数选取随机性带来的预测精度受限问题。本文将提出的小波去噪PSO-ELM模型与单一ELM模型、小波去噪ELM模型的沉降预测结果进行对比分析,结果表明本文提出的组合预测模型预测精度最高,同时预测误差不会随预测期数的增加产生明显变化,具有较高的稳健性与适应性。

基于极限学习机的建筑工程施工成本预测研究

随着建筑工程行业的发展,施工成本预测越来越受到重视。为了提高预测准确性,我们提出了一种基于极限学习机(ELM)和支持向量机(SVM)的融合预测模型。首先,我们分别构建了基于ELM和SVM的子预测模型,然后通过加权融合策略将两种子模型结合在一起。实验结果表明,所提出的融合预测模型在建筑工程施工成本预测方面表现优越,具有较高的预测精度和稳定性。我们对比了ELM、SVM和多层感知机(MLP)等方法的性能,并对融合预测模型进行了详细的分析。此外,我们还讨论了未来研究方向,以期推动建筑工程施工成本预测领域的发展。

基于ELM极限学习机的二次网供水温度预测及应用

为实现供热系统的节能减排,供热系统二级网经常采用质调节,而质调节的关键是根据室外温度等主要参数预测二次网供水温度。为了得到准确有效的预测结果,分析二次网供水温度预测原理和非正常数据及离线数据的处理方法并建立了ELM极限学习机的二次网供水温度预测模型。通过工程的实际数据对预测方法进行验证,ELM极限学习机的预测与实际值偏差较小,满足实际工程的应用要求,模型准确性较高。

基于特征优选与改进极限学习机的锂电池SOC估计

为提高数据驱动方法预测荷电状态(state of charge,SOC)的效率与精度,提出一种基于特征优选与改进极限学习机的SOC估计方法。采用公开数据作为训练集,利用随机森林(random forest,RF)算法判定训练集各特征对SOC的影响程度,选择出最优训练样本,并对优选样本的合理性进行验证;利用极限学习机(extreme learning machine,ELM)对SOC进行预测,针对ELM在预测过程中随机产生的权值及阈值的不稳定性导致SOC估计精度不理想的问题,选取麻雀搜索算法(sparrow search algorithm,SSA)进行参数优化以提高估计精度;随后,通过BJDST工况仿真试验对SSA参数优化的有效性进行验证;在恒流放电与DST工况实验下,分别利用改进极限学习机(SSA-ELM)、ELM、支持向量机(support vector machine,SVM)与BP神经网络(back-propagation neural network,BPNN)对SOC进行预测,结果表明,SSA-ELM算法预测效果最优,预测误差基本保持在1.5%以内,可实现较高精度的SOC预测。

基于支持向量回归与极限学习机的高炉铁水温度预测

选取某4000 m^(3)级别高炉2014年至2019年时间范围内的日平均数据,以铁水温度为目标函数,首先对铁水温度的特征参量进行线性与非线性相关性分析、特征选择与规范化处理,获取了显著影响铁水温度的正负相关性特征参量.在此基础上,基于支持向量回归与极限学习机两种算法对铁水温度构建预测模型,模型均可对铁水温度实现有效预测,基于支持向量回归算法构建的预测模型较优,预测平均绝对误差为4.33℃,±10℃误差范围内的命中率为94.0%.

极限学习机与支持向量机在储层渗透率预测中的对比研究

极限学习机ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数,并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数,在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解,因此具有学习速度快且泛化性能好的优点。本文将极限学习机引入到储层渗透率的预测中,通过对比支持向量机,分析其在储层渗透率预测中的可行性和优势。实验结果表明,极限学习机与支持向量机有近似的预测精度,但在参数选择以及学习速度上极限学习机具有明显的优势。

光纤传感技术结合SVM-ELM的风力机齿轮箱故障诊断分析

针对风力机组齿轮箱故障信号采集、特征提取和故障诊断方面所存在的问题,提出了一种光纤布拉格光栅检测技术与故障诊断算法相结合的健康状态评估方法。首先通过对光纤动态监测系统构架进行设计并规划故障健康状态评估的整体流程进而实现实验采集平台的搭建,其次通过对采集信号进行变分模态分解和多尺度排列熵算法的分析并完成特征向量集的构建,最后通过支持向量机、概率神经网络、极限学习机算法进行测试正确率和时间的对比分析。结果表明,该方法能够准确实现故障模式的分类且提高了故障预测概率。

基于支持向量机的电力系统状态估计多类型数据异常检测

为了解决异常数据严重影响电力系统状态估计性能的问题,提出了一种基于支持向量机(SVM)的电力系统预测辅助状态估计(FASE)多类型数据异常检测方法。首先,针对传统FASE的预测准确率欠佳的问题,提出了基于极限学习机的FASE方法,并利用SVM并基于预测数据、量测数据与估计值,实现了对坏数据、负荷突变和单相接地等多种类型的数据异常检测。其次,针对惩罚因子和核函数参数会影响分类精度的问题,提出采用灰狼算法对SVM参数进行优化,在兼顾计算速度的同时提高了数据异常检测的准确率。最后,在IEEE 33和丹麦DTU 7K 47节点主动配电网系统上进行仿真测试,所提方法在正常工况下提升26.08%与26.76%,计算速度提升46.05%,在数据异常情况下准确率综合提升32.04%与29.27%,结果表明,所提方法具备较强的通用性与实时性,可以有效地检测电力系统中各种类型的数据异常,并提高状态估计的性能。

基于改进极限学习机的水轮机运转状态识别

针对水轮机远程运行状态监测困难的现状,提出了基于模拟退火算法的粒子群算法(simulated annealing algorithm-particle swarm optimization,SA-PSO)优化极限学习机(extreme learning machine,ELM)的方式,建立水轮机运转状态识别模型SA-PSO-ELM。对水轮机信号进行互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)获得IMF分量,引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度,判断信号主导模态和噪声主导模态的分界点,用小波去噪对噪声主导模态降噪,并与其余的IMF分量重构得到去噪信号,同时对去噪后的信号进行分解,计算每个IMF分量的排列熵,构建特征向量。由于SA-PSO精度高不易陷入局部最优的特点和ELM的性能受权值、阈值共同影响的特点,用SA-PSO优化ELM的权值和阈值,构建水轮机运转状态识别模型SA-PSO-ELM。对不同工况下采集的水轮机压力脉动数据,分析了基于PSO-ELM、ELM及SA-PSO-ELM模型的水轮机运转状态识别正确率、均方误差、决定系数3个指标。结果表明:SA-PSO-ELM更适合于水轮机运转状态识别。

基于改进极限学习机的增量配电网线损率预测模型

针对传统预测模型预测效果较差等问题,提出改进极限学习机的增量配电网线损率预测模型。通过ELM网络结构,确定配电网环境中适应度函数,对电量参数进行寻优。在改进极限学习机算法的支持下,依据增量配电网络结构构建配电样本,确定线损分布特征以及处理流程,实现增量配电网线损率预测模型的设计。实验结果表明,基于改进极限学习机的线损率预测模型能够较好适应增量配电网环境中电量传输需求变化,在准确收集电量数据序列特征的同时,实现对配电网线损率的有效预测。

基于局部均值分解和极限学习机的锂电池剩余寿命预测

锂离子电池的剩余使用寿命存在难以准确预测、容量数据不能在线实时测量的问题,提出一种基于间接健康因子预测锂电池剩余寿命的方法。首先提取放电电压速率作为间接健康因子,通过局部均值分解(LMD)对放电电压速率数据进行分解;然后采用灰色关联度验证经解耦后的放电电压速率与电池容量之间具有高关联度,应用极限学习机(ELM)训练模型,以预测锂离子电池的剩余使用寿命;最后,将间接健康因子输入LMD-ELM关系模型中,获得电池容量的准确预测值。采用NASA数据集验证了本文所提LMD-ELM方法预测的锂电池剩余寿命方均误差小于0.002 2,平均绝对百分比误差小于3.12%。

基于深度极限学习机的危险源识别算法HIELM

危险源识别是民用航空管理的重要环节之一,危险源识别结果必须高度准确才能确保飞行的安全。为此,提出了一种基于深度极限学习机的危险源识别算法HIELM(Hazard Identification Algorithm Based on Extreme Learning Machine),设计了一种由多个深层栈式极限学习机(S-ELM)和一个单隐藏层极限学习机(ELM)构成的深层网络结构。算法中,多个深层S-ELM使用平行结构,各自可以拥有不同的隐藏结点个数,按照危险源领域分类接受危险源状态信息完成预学习,并结合识别特征改进网络输入权重的产生方式。在单隐藏层ELM中,深层ELM的预学习结果作为其输入,改进了反向传播算法,提高了网络识别的精确度。同时,分别训练各深层S-ELM,缓解了高维数据训练的内存压力和节点过多产生的过拟合现象。

基于相空间重构和遗传算法优化的极限学习机模型预测基坑变形时序混沌特性

基坑变形是造成施工事故的主要原因之一,其变形特性具有很大不确定性及随机性。为了防止基坑变形事故的发生,实现基坑变形的准确预测,提出一种将相空间重构、遗传算法(GA)、极限学习机(ELM)相结合的基坑变形时序混沌预测模型。首先,对基坑变形量时序进行相空间重构,通过混沌理论中的G-P算法及自相关法获得重构相空间参数;然后,采用相空间重构后的变形时间序列,建立基坑变形量预测的ELM模型,同时采用GA算法对ELM模型参数进行优化。最后,训练得到最优GA-ELM模型。以某基坑为例,采用GA-ELM模型进行变形量的混沌预测。研究结果表明:GA-ELM模型的预测结果优于单一ELM模型的预测结果,预测精度较高,有利于基坑变形的长期预测。

基于极限学习机和支持向量机的输电线路覆冰预测

物体表层的水分会因为受到特殊气象条件的影响导致物体出现覆冰现象,此类现象常见于飞机跑道、高速路等。当覆冰现象发生在电力系统中可能会因此产生诸多不利影响,如使输电线路发生形变而进一步造成损坏,更严重的情况还可能会导致断线,断线造成的停电中断容易引起更大范围的供电系统瘫痪,造成重大经济损失。尤其是在极端天气状况下,事故率非常高,很有必要对该类型事故进行深入分析和研究。

基于极限学习机的变压器故障诊断方法研究

针对基于传统智能学习方法的变压器故障诊断存在训练速度慢、需调整的参数多及参数确定困难的问题,提出了基于极限学习机(Extreme Learning Machine,ELM)的变压器故障诊断方法。文中根据变压器故障的特点选取输入特征向量,分析了激活函数、隐含层节点数目对诊断性能的影响,并与基于BP神经网络和SVM的诊断方法进行了对比。实验结果表明,文中提出的变压器故障诊断方法性能明显优于BP神经网络,与SVM的诊断正确率相当,需要预先设置的参数更少,训练速度更快,更加便于工程应用。

基于极限学习机的分类算法及在故障识别中的应用

利用极限学习机(ELM)分类器的结构特点重新设计面向多分类任务的ELM分类器,提出基于ELM的优化分类算法One-Class-PCA-ELM.该算法的实现过程如下:对故障数据进行主元分析(PCA)处理,降低数据维数,去除噪声与冗余信息;将训练数据集按类分割,建立各类对应的单分类模型,整合得到One-Class-PCA-ELM分类模型;将待分类数据输入One-Class-PCA-ELM分类模型,得到待分类数据的类标号,完成分类.仿真实验结果表明,该算法保持了极限学习机极快的训练速度,具有较高的分类准确率及较理想的分类稳定性.

基于极限学习机的GF-2影像分类

遥感图像分类是提取图像有效信息过程中重要的一部分,为了探寻最优的分类方法,许多机器学习算法逐步应用于遥感分类中。极限学习机(extreme learning machine,ELM)以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用。本文采用训练速度快、运算量小的极限学习机算法与支持向量机(support vector machines,SVM)算法和最大似然法进行分类对比,对高分辨率遥感图像进行分类,分析极限学习机算法对于遥感图像分类的准确度等性能。选取吉林省长春市部分区域的GF-2遥感数据,将融合后的影像设置为原始数据,利用3种方法进行分类。研究结果表明,极限学习机算法分类图像总体分类精度达到85%以上,kappa系数达到0.718,与其他分类方法相比分类准确度较高,且极限学习机运行时间比支持向量机运行时间约短2 480s,约为支持向量机运行时间的1/8,因此具有良好的性能和实用价值。

基于变量选择和核极限学习机的交通事件检测

为了进一步提高交通事件检测的效果,提出基于变量选择和核极限学习机(KELM)的自动事件检测(AID)算法.根据交通事件上、下游交通流参数的变化特点,构建较全面的交通事件检测初始变量集.采用随机森林—递归特征消除(RF-RFE)算法,从中选择重要变量.以重要变量作为输入,训练KELM并通过万有引力搜索算法(GSA)优化参数.使用美国I-880数据库,对AID算法的效果进行验证和对比分析.因为数据库中的事件样本数远少于非事件样本数,采用SMOTE平衡两类样本.结果表明,使用重要变量能够提高交通事件的检测效果,KELM的检测效果优于反向传播神经网络(BPNN)和支持向量机(SVM).

基于改进极限学习机的短期电力负荷预测方法

为了提高电力系统短期负荷预测精度,提出一种基于改进极限学习机(MELM)的短期电力负荷预测模型。引入基于结构风险最小化理论,并结合最小二乘向量机回归学习方法,以克服传统极限学习机(ELM)在短期负荷预测中存在的过拟合问题。某地区用电负荷预测结果表明,改进模型的泛化性与预测精度均优于传统ELM和OS-ELM模型,可为短期电力负荷预测提供有效依据,具有一定的实用性。