基于ALO-ELM的隧道超挖预测及其影响因素敏感性分析

为减小超挖带来的不良影响,提高隧道超挖预测精度,提出一种基于ALO-ELM隧道超挖预测及其影响因素敏感性分析方法。首先,综合分析了影响隧道超挖的爆破参数等可控因素以及围岩体条件等不可控因素;其次,为克服极限学习机(ELM)易陷入局部最优解的缺点,建立了蚁狮优化算法(ALO)-ELM隧道超挖预测模型,将7个主要影响因素作为预测模型输入量,隧道超挖量作为模型输出量,并用余弦值振幅法对影响因素进行敏感性分析。结果表明:该模型的均方根误差RMSE、决定系数R 2以及方差比VAF分别为0.48%、0.92%和94.68%,均优于现有的预测模型,说明该模型能有效、准确地预测隧道超挖,并通过敏感性分析结果可知,钻孔率S D为最重要影响因素,该模型为准确预测隧道超挖提供新的思路与方向。

考虑区间构造的改进极限学习机短期电力负荷区间预测

针对区间预测中电力负荷预测区间范围过宽和精度不高的问题,提出一种基于灰狼优化算法(gray wolf optimization algorithm,GWO)-蚁狮算法(ant lion optimization algorithm,ALO)优化的极限学习机(extreme learning machine,ELM)短期电力负荷区间预测方法。首先将电力负荷历史预测误差进行正态分布拟合,构造负荷功率历史区间。进而将负荷历史区间和历史前24h、前2h及前1h功率作为模型输入。然后考虑ALO的随机初始种群会影响求解速度与质量,利用GWO生成ALO的优质初始种群,避免陷入局部最优解。接着用ALO优化ELM输入权重及隐藏层偏置,构建具有强泛化能力的ELM短期电力负荷区间预测模型。最后利用湖南省某市电力负荷进行验证,通过多种方法对比,所提方法准确度更高,预测区间质量更好。得到的区间预测结果能为电力系统调度、新能源消纳提供精确的负荷变化信息。