基于DA-RKELM算法的光伏发电功率预测方法

针对光伏发电功率具有的波动性和随机性等特点造成的电网安全问题,提出了一种基于蜻蜓算法优化的正则核极限学习机光伏发电功率预测方法。通过相关性分析确定影响光伏发电功率的关键影响因子,构建光伏发电功率预测模型;利用蜻蜓算法获取网络最优的权重和阈值,在标准极限学习基础上引入正则化函数和核函数以避免传统梯度下降法造成的过拟合问题,增强模型空间映射能力;仿真实验表明,与DA-ELM、PSO-ELM以及标准-DA-ELM模型相比,DA-RKELM预测模型能达到更高的预测精度,更贴近光伏发电的实际运行功率。

基于BWO-DBSCAN和CSA-OCRKELM的变电站数据流异常检测方法

为了提升变电站数据流检测的实时性与准确性,提出一种使用白鲸优化(beluga whale optimization,BWO)算法优化基于密度的噪声应用空间聚类(density based spatial clustering of applications with noise,DBSCAN)算法,与使用圆圈搜索算法(circle search algorithm,CSA)优化单分类正则核极限学习机(one class regularized kernel extreme learning machine,OCRKELM)相结合的变电站通信网络数据流异常检测方法。首先,利用BWO-DBSCAN对正常数据流进行聚类,形成样本簇;其次,通过CSA-OCRKELM模型对异常数据流进行实时检测;最后,利用OPNET仿真软件仿真模拟变电站的通信行为并进行对比分析,验证所提方法的有效性。仿真实验结果表明所构建检测模型的检测率约为99%,较其他检测模型具有较高的性能与准确率。

心理测试中掩饰行为的识别研究

脑电(Electrocorticogram,EEG)信号能够正确地揭示人的心理活动,因此被广泛地运用到心理测试中。提出了一种基于EEG信号的非线性特征融合方法,对受试者在心理测试中是否存在掩饰行为进行识别。对心理测试过程中受试者的EEG信号进行预处理,提取各通道信号的Lempel-Ziv复杂度LZC、样本熵SE、排列熵PE和模糊熵FE四种非线性特征;使用多维尺度分析(MDS)对所得的四种特征的不同特征组合进行融合和降维操作。针对不同特征组合,采用正则化核函数极限学习机构建分类模型并通过测试集验证分类模型的性能。实验结果表明,分类模型准确率能达到82.9%,证明了该方法的适用性。