基于VMD-GWO-HKELM的企业能耗预测研究

能耗预测是企业关注的重点,对于企业保障用能安全稳定有重大作用,是企业建立能耗管控平台的重要任务之一。为完善企业能耗管控平台并且高效准确地进行企业能耗预测,提出一种基于变分模态分解(VMD)与灰狼算法(GWO)优化混合核极限学习机(HKELM)的能耗预测模型。首先利用VMD对能耗数据序列进行分解,获得具有不同特征规律的子序列,以降低能耗原始数据的随机性;然后,结合高斯核函数和多项式核函数构建更具有泛化能力的HKELM模型,同时针对HKELM模型中参数难以抉择的问题,采用GWO对其参数进行优化选择,并构建GWO-HKELM模型;最后,将分解后的数据输入到GWO-HKELM模型中,并将每个子序列的预测结果相加得到最终的预测结果。以浙江某厂房的实际电力能耗数据为例,验证该模型的有效性和可行性。

基于量子遗传算法的XML聚类方法

主要用模式分析的核方法与量子遗传算法相结合研究XML聚类,提出了一种基于量子遗传算法混合核聚算法的XML文档聚类新方法。该方法先对XML文档约简,以频繁标签序列建立向量空间核的核矩阵,用高斯核函数求解初始聚类和聚类中心,然后用初始聚类中心构造量子遗传算法的初始种群,通过量子遗传算法与核聚算法相结合求得全局最优解的聚类。实验结果表明,使用该算法的聚类比改进的核聚算法、K均值算法等单一方法具有良好的收敛性、稳定性和更高的全局最优。