基于IAOA-KELM的储气库注采管柱内腐蚀速率预测

针对储气库注采管柱的内腐蚀速率预测问题,建立了基于阿基米德优化算法(Archimedes Optimization Algorithm,AOA)与核极限学习机(Kernel Extreme Learning Machine,KELM)相结合的模型提高腐蚀速率预测精度。通过引入佳点集、改进密度降低因子、采用黄金正弦算法缩小搜索空间,提高局部开发能力,利用改进阿基米德优化算法(Improved Archimedes Optimization Algorithm,IAOA)优化KELM正则化系数(C)和核函数参数(γ),进而建立IAOA-KELM储气库注采管柱内腐蚀速率预测模型;使用MATLAB软件运用该模型对某注采管柱内腐蚀数据集进行学习与预测,将IAOA-KELM模型与KELM、粒子群优化算法(Particle Swarm Optimization,PSO)-KELM、AOA-KELM结果进行预测误差对比。结果表明,IAOA-KELM模型的预测值与实际值较为拟合,其E RMSE为0.65%,E MAE为0.39%,R 2为99.83%,均优于其他模型。研究表明,IAOA-KELM模型能够更为准确地预测储气库注采管柱内腐蚀速率,为储气库注采管柱的运维及储气库的健康管理提供参考。

基于RegNet-CSAM与ZOA-KELM模型的滚动轴承故障诊断

针对现有深度卷积神经网络对滚动轴承混合故障诊断效果不佳以及模型复杂度过高导致计算成本过大等问题,提出了一种基于RegNet-CSAM与ZOA-KELM模型的滚动轴承故障诊断方法。该模型由RegNet-CSAM网络和ZOA-KELM分类算法组成。首先,将融合了通道和空间特征的注意力机制CSAM与组卷积残差模块结合,提升该结构的表征能力,由此构建的RegNet-CSAM网络,模型复杂度为0.48GF;其次,在分类阶段将斑马优化核极限学习机(ZOA-KELM)替代原来网络中使用的Softmax函数完成最后的分类任务。滚动轴承故障诊断试验结果表明,RegNet网络对滚动轴承混合故障样本容易产生误判,CSAM的融入虽将RegNet网络的分类精度进一步提高,但是仍然存在一定程度的滚动轴承混合故障误判问题;而将ZOA-KELM替代Softmax函数后再对RegNet-CSAM网络输出特征进行分类,能够有效识别出滚动轴承的单一和混合故障,准确率达到了99.92%。所提方法对比其他网络,诊断精度最大提升5.02%,模型复杂度最大缩减32倍。

基于ikPCA-FABAS-KELM的短期风电功率预测

为了增强在短期风电功率预测领域中传统数据驱动机器学习模型的精度,提出基于ikPCA-FABAS-KELM的短期风电功率预测模型.首先,对主成分分析进行改进,提出可逆核主成分分析(ikPCA),在保证数据特征的同时,降低输入数据的复杂度,以提升模型运行速度;其次,引入萤火虫个体吸引策略对天牛须算法(BAS)进行改进,提出FABAS算法;最后,利用FABAS算法对核极限学习机(KELM)的正则化参数C和核参数γ进行寻优,降低人为因素对模型盲目训练的影响,提高模型预测精度.仿真结果显示,提出的预测模型有效提高了传统模型的预测精度.

基于SOM-FCM和KELM组合方法的短期光伏功率预测

为了提高短期光伏发电预测的精度,本文提出了一种将聚类后的自组织映射网络(SOM)与优化的核极值学习机(KELM)方法相结合的混合预测模型。首先,利用SOM来对训练数据集进行初始划分。然后,利用模糊C均值(FCM)对训练好的SOM网络进行聚类操作,同时利用Davies-Bouldin指数(DBI)来确定最佳聚类的大小。最后,在每个数据分区中,通过结合差分演化算法优化的KELM方法来建立区域KELM模型,或者结合最小二乘估计的多元线性回归(MR)方法来构建区域MR模型。此外,本文还提出了基于SOM的不同局部多元回归模型。将提出的结合SOM-FCM和KELM的混合预测模型分别应用于GEFCom2014三个不同太阳能电站,进行提前一小时的发电功率预测。与其他预测模型相比,光伏发电站1的平均绝对误差(MAE)降低了61.41%,光伏发电站2的MAE降低了60.19%,光伏发电站3的MAE降低了58.92%。光伏发电站1的均方根误差(RMSE)降低了52.06%,光伏发电站2的RMSE降低了54.56%,光伏发电站3的RMSE降低了51.43%。实验结果表明,提出的结合SOMFCM和KELM的方法可显著提高预测准确性。

基于影响因子筛选和GWO-KELM的大坝变形预测模型

为构建高精度大坝变形预测模型,引入基于最大信息系数特征筛选方法(MIC-CFS)对大坝变形影响因子进行筛选,减少冗余信息,降低模型复杂度。同时运用灰狼优化算法(GWO)对核极限学习机(KELM)的正则化系数和核参数进行寻优,提高模型预测精度,建立基于MIC-CFS-GWO-KELM的大坝变形预测模型。以某混凝土双曲拱坝实测资料对模型进行测试,结果表明,所建模型在均方根误差、平均绝对百分比误差和拟合优度上均优于GWO-KELM、MIC-CFSKELM、PCA-GWO-KLEM、MIC-CFS-BP模型,预测精度较高,能够为大坝变形安全分析提供参考。

基于UMAP流形特征提取和KELM的非侵入式负荷监测方法研究

非侵入式负荷监测是“坚强智能电网”用户侧智能数据挖掘的关键技术。针对现有辨识算法对叠加态负荷辨识准确率低的问题,提出了一种基于均匀流形逼近与投影(UMAP)和KELM结合的非侵入式负荷辨识模型。首先利用UMAP对原始负荷特征作嵌入,提取负荷的类内流形结构,并结合随机梯度下降法优化负荷的全局结构,在保留负荷原始相邻位置信息的前提下有效增大负荷特征的区分度;然后,采用径向基函数搭建核映射网络,利用ACO算法对映射网络的径向范围和模型的惩罚系数寻优,建立最优辨识模型。与多种基于机器学习的辨识方法相比,所提模型对叠加态负荷的辨识准确率提升显著,在TIPDM和BLUED数据集上的辨识准确率分别达到了98.48%和99.44%。

基于CMIE与参数优化KELM的旋转机械故障诊断策略

针对多尺度排列熵忽略信号幅值信息以及粗粒化处理存在不足,造成旋转机械故障识别准确率不稳定和不可靠等缺陷,提出了一种基于复合多尺度增长熵(CMIE)和算术优化算法(AOA)优化核极限学习机(KELM)的旋转机械故障诊断策略(方法)。首先,引入增长熵代替排列熵,进行了故障特征提取,同时采用复合粗粒化处理进行了信号的多尺度分析,提出了复合多尺度增长熵指标,将其用于提取旋转机械振动信号的非线性故障特征;随后,利用AOA对KELM的核心参数进行了自适应优化,建立了网络结构最优的分类模型;最后,将故障特征输入至AOA-KELM分类器,进行了训练和测试,根据分类器的输出标签完成了样本的故障识别任务;利用旋转机械故障数据集对所提策略的性能进行了实验和分析。研究结果表明:CMIE方法可以有效地识别旋转机械的故障类型和故障程度,两种数据集的识别精度均达到了99.2%,在特征提取效率和识别精度方面均优于比较方法;AOA-KELM模型的识别准确率和识别效率优于遗传算法优化核极限学习机、粒子群算法优化极限学习机、网格算法优化核极限学习机和灰狼算法优化核极限学习机。

基于EEMD-VMD-SSA-KELM模型的汛期日径流预测

受气象、气候变化和人类活动等因素的影响,径流序列呈现出非稳态、非线性等特征,给径流精准预测带来新的挑战。为了提高单一径流预测模型的预测精度,文章提出了一种新的基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法、变分模态分解(Variational Modal Decomposition,VMD)算法和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化核极限学习机(Kernel Extreme Learning Machine,KELM)的组合径流预测模型(EEMD-VMD-SSA-KELM)。首先利用EEMD算法将径流序列分解为趋势分量、细节分量和随机分量,接着利用VMD算法将频率最大的随机分量进一步分解为若干个频率不同、较随机分量更加稳定的分量,从而降低径流序列的不稳定性;接着,对每个分量分别建立KELM模型进行预测,并采用SSA优化KELM模型的核参数和惩罚系数;最后,累加所有分量的预测结果得到径流序列的预测结果。提出的模型应用于湖北宜昌寸滩水文站的汛期日径流预测,并与BP神经网络模型、最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型、KELM模型等作对比。结果表明:组合了数据分解算法的预测模型的预测精度明显优于单一的BP模型、LSSVM模型和KELM模型;组合EEMD算法和VMD算法的预测模型的预测精度优于仅组合EEMD算法的预测模型;KELM模型的预测精度优于LSSVM模型;SSA的优化精度优于粒子群优化算法。EEMD-VMD-SSA-KELM模型的预测精度最高,能准确的模拟复杂多频信息的汛期日径流的变化趋势,可为水文预测及相关预测研究提供参考。

基于多域特征的BA - KELM微型电机故障检测

针对目前对于微型电机故障检测的研究较少及基于单域特征的传统电机诊断方法精度低等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)及蝙蝠算法(bat algorithm, BA)优化核极限学习机(kernel based extreme learning machine, KELM)的微型电机故障检测方法。所提方法包括样本集构造、模型训练及参数优化和模型测试3个步骤:首先,对采集到的微型电机信号进行EEMD处理并依据相关系数原则筛选出主要的本征模态分量(intrinsic mode fuction, IMF),结合计算得到的电机信号的时域、频域特征构造多域特征集并进行归一化处理,按一定比例将样本集划分训练集和测试集;其次,输入训练集,以错误率为适应度,并采用蝙蝠算法对KELM模型进行参数优化;最后,输入测试集对优化的BA-KELM模型进行测试,并与其他模型进行对比。试验结果表明,所提方法的准确率达98.75%,高于其余方法。

基于GWO-KELM模型的变压器油纸套管典型绝缘故障辨识方法

油浸式套管是变压器的重要组成部件,其安全运行与整个电网的稳定性息息相关。分别制作零屏受潮、金属杂质、末屏破损和末屏未接地共4类套管内部或安装过程中的典型故障,利用现有检测手段,实现套管典型缺陷的故障特性分析。建立了适用于4类典型套管故障辨识的GWOKELM算法模型,通过灰狼优化后,KELM诊断正确率从75%上升至95.8%,得到了明显的提升。依据正确率和训练时间这2个指标,对优化后算法与传统机器学习算法的进行对比,结果表明:优化后的分类结果和训练时间均表现优异,灰狼优化后KELM仍然保持了高泛化、低计算复杂度的优点,在所搭建的故障分类案例中表现优异。

改进量子蝙蝠优化BiLSTM-KELM的电缆接头故障早期预警

为提高对电缆中间接头故障的事先预知能力,文中提出一种基于改进量子蝙蝠算法优化BiLSTM-KELM模型的电缆中间接头故障早期预警方法。首先,采集电缆及接头的表层温度、环境温度、负荷电流的时间序列数据作为驱动,建立基于双向长短时记忆网络(BiLSTM)和核极限学习机(KELM)的接头中心温度预测模型;然后,构建非线性自适应旋转角量子旋转门以改进速度和位置的更新策略,并引入量子非转门实现较差个体的量子位置变异,用于预测模型参数的优化;最后,对正常工作接头进行温度预测和残差计算,使用概率分布拟合计算故障预警的残差阈值。实验结果表明,改进后的量子蝙蝠算法可以较好地逼近全局最优解,收敛效率高;优化后BiLSTM-KELM模型的预测精度得到有效提高,故障预警时间进一步提前,电缆接头故障的早期预警效果好。

基于BA-KELM法的多级同步感应线圈发射器结构优化研究

用随机优化算法对多级同步感应线圈炮的结构参数进行优化,场模型和场电路耦合模型均耗时较长。将主流机器学习方法作为新的工具建立多级同步感应线圈炮的非参数模型。基于混合测试设计样本空间,用最小二乘支持向量机(LSSVM)、核极限学习机(KELM)和BP神经网络对有限元法获得样本集进行学习;用布谷鸟搜索(CS)算法和蝙蝠算法(BA)实现超参数(C,σ~2)优化,结合仿生鸡群优化(BCSO)确定BP神经网络的权值及阈值;最后,以三级同步感应线圈炮的结构优化为例验证所述方法的实用价值。结果表明:将BA-KELM方法用于多级同步感应线圈炮的非参数建模准确可行,与需大规模迭代计算的参数优化方法相比,具有较高的计算效率,结论可为多级同步感应线圈炮的结构设计与工程应用提供新思路。

基于Xgboost优化的KELM滑坡预报模型研究

针对极限学习机对滑坡预测准确性低及在训练过程中模型不稳定的问题,引入RBF高斯核函数并使用极限梯度提升树算法Xgboost对KELM进行优化,建立了Xgboost优化后的Xgboost-KELM预测模型;首先采用高斯核RBF作为极限学习机的核函数,解决隐藏节点随机映射问题,增加模型稳定性及适用性;其次将清洗后的监测数据作为模型输入,并使用Xgboost寻优算法对核函数中的超参数进行优化,通过4组测试集进行Xgboost-KELM建模,依据均方误差迭代曲线得出最佳超参数;最后使用两组10%样本集验证模型评价指标及稳定性,实验结果AUC均值对比模型至少提高3个百分点,Precision、Accuracy及Recall至少高于对比模型1.7个百分点,同时Xgboost-KELM模型的方差及偏差都较小,证明该模型稳定性较好,实验结果说明Xgboost-KELM模型具有较好的预测效果,在滑坡灾害预测中有较好的预测能力。

改进SO优化KELM的液体火箭发动机故障检测

提出了一种ISO-KELM的液体火箭发动机故障检测模型。首先引入Tent混沌映射、动态策略和柯西变异3种方法对原算法进行改进。然后,采用改进后的蛇优化算法(ISO)对核极限学习机(KELM)惩罚因子和核函数参数进行寻优,构建了ISO-KELM液体火箭发动机故障检测模型。最后选取包含5种典型故障模式的某液体火箭发动机历史试车数据进行仿真。结果表明,ISO-KELM模型的故障检测准确率为95.2%,高于SO-KELM故障检测模型和传统BP神经网络故障检测模型,可有效检测火箭发动机的故障状态。同时也表明了ISO相比于SO,收敛速度更快,寻优精度更高。

基于IHPO-KELM的冷轧带钢板形模式识别

针对目前板形识别方法存在的识别精度低、速度慢等问题,提出了一种改进猎食者算法优化核极限学习机(IHPO-KELM)的冷轧带钢板形识别模型。首先,为减少网络中初始参数的数量、提高板形识别的精度与速度,采用了核极限学习机(KELM)网络;其次,为提高猎食者(HPO)算法的精度,利用基于Sine混沌映射初始化猎食者算法的种群,并针对HPO在迭代过程中易陷入局部早熟的问题,在改进的线性组合位置更新公式中加入莱维飞行机制;然后利用改进猎食者算法对核极限学习机网络识别模型的正则化系数和核参数进行优化,提高板形识别的精度;最后,通过Matlab仿真验证了IHPO-KELM算法具有网络结构简单、收敛速度快、识别精度高等优点。采用IHPO-KELM算法对某公司900HC可逆冷轧机实测数据进行识别,其识别精度比麻雀算法优化KELM(SSA-KELM)识别模型提高了58.8%,表明IHPO-KELM识别模型具有良好的泛化能力,为板形缺陷的高效智能识别提供了新思路。

基于IBA-KELM模型的TCT光伏阵列故障诊断研究

针对光伏阵列的开路故障、短路故障、老化故障和局部阴影故障,提出了一种基于核极限学习机KELM(kernel extreme learning machine)的光伏阵列故障诊断方法,并采用改进的蝙蝠算法IBA(improved bat algorithm)对核极限学习机模型的参数进行优化来提高模型的诊断准确率。为避免蝙蝠算法陷入局部最优并加快在参数寻优过程中的收敛速度,引入Levy飞行策略并在速度更新公式中引入指数递减的惯性权重。通过全连接TCT(total-crosstied)结构光伏阵列的故障数据验证表明,与BA-KELM,PSO-KELM、PSO-ELM模型相比,IBA-KELM模型在参数优化过程中收敛速度更快,优化后模型诊断精度也更高。

基于EMD和PSO-KELM的电压暂降源辨识方法

提出一种基于经验模态分解(EMD)和粒子群算法优化核极限学习机(PSO-KELM)的单类电压暂降源辨识方法。通过Matlab/Simulink仿真平台搭建几种不同类型引起电压暂降的电力系统模型,从中获取不同类型扰动源引起电压暂降的时间序列信号,再用经验模态算法分解并提取每层IMF分量的模糊熵作为故障特征,将其前几阶主序列分量作为输入空间;把基于粒子群算法优化核极限学习机的模型作为电压暂降源辨识分类器,对引起配电网电压暂降类型的特征数据进行训练与识别,并以试验结果与传统遗传算法优化支持向量机分类器进行泛化对比,验证所提出的新型智能启发式算法PSO-KELM分类器的准确性和鲁棒性。实现了由不同故障源扰动引起电压暂降的有效识别,有利于解决实际配电网中线路电能质量问题和责任区域划分制度的完善。

基于PCC和KELM的电力系统暂态稳定分析方法

为准确及时地监测电力系统的运行状态,提出一种基于皮尔逊相关系数(Pearson Correlation Coefficient,PCC)和核极限学习机(Kernel Extreme Learning Machine,KELM)的电力系统暂态稳定分析方法。首先,利用电力系统仿真软件PSS/E进行数据生成;然后,使用PCC对电力系统运行特征进行相关性检测,进而选出关键特征;最后,对KELM模型进行训练。在实际应用时,当相量测量单元(Phasor Measurement Unit,PMU)所采集的电力系统实时运行信息被发送到训练好的KELM模型时,可立即提供暂态稳定分析结果。此外,设计了模型更新过程以应对电力系统运行条件的变化,并在新英格兰10机39节点系统验证了该方法的有效性。

基于GWO-KELM与GBDT的抗乳腺癌药物性质预测

目的利用人工智能算法辅助药物设计,实现拮抗乳腺癌候选药物的分子描述符筛选、ERα回归预测、ADMET分类预测。方法针对乳腺癌候选药物筛选问题,以化合物对抑制乳腺癌靶标的生物活性及其ADMET性质出发,基于获取的1974种化合物数据,分别利用稀疏贝叶斯学习与随机森林算法进行两阶段筛选,得到不具备强相关性的前20个对生物活性最具显著性影响的分子描述符;随后以筛选后的数据及其PIC 50值为基础建立了QSAR模型,基于灰狼优化的核极限学习机算法对新化合物的生物活性进行了预测,横向对比11种常见机器学习算法,同时利用GBDT算法构建了ADMET分类模型。结果GWO-KELM模型具有更高的拟合优度与更低的均方误差,而且药物性质识别的4个模型预测准确率均保持90%以上。结论所建模型能够有效分析并预测化合物性质,为抗乳腺癌候选药物的研发提供参考。

基于KH-KELM的鸟类声音分类识别

鸟鸣是鸟类生物学最重要的特征之一,鸟鸣特征参数的选取和鸟鸣分类提高精度是学者们一直研究的方向。基于鸟鸣识别技术提出基于磷虾群优化的核极限学习机(KH-KELM)分类模型:采用Mel频率倒谱系数(MFCC)对上海周边具有代表性的30种鸟类声音信号进行特征提取,提取出的特征参数用极限学习机(ELM)作为基础分类模型进行识别和分类,结合核函数思想优化基础模型并使用磷虾群算法(KHA)对训练参数优选,实现对鸟鸣信号的识别分类。为验证磷虾群算法优化的核极限学习机分类模型的分类效果和分类稳定性,对5、10、20和30种鸟类声音信号进行分类,测试结果表明,与极限学习机(ELM)、反向传播神经网络(BP)、支持向量机(SVM)和核极限学习机(KELM)分类模型对比,并与基于遗传算法(GA)、粒子群算法(PSO)和蚁群算法(ACO)优化的核极限学习机(KELM)模型对比,磷虾群算法优化的核极限学习机分类模型的分类识别率分别为99.65%、97.79%、94.48%和89.21%,具有最好的分类精度、分类稳定性和更强的泛化能力。