基于CSI和FO-MKELM的室内定位方法

针对Wi-Fi指纹定位精度低、维护繁琐、训练成本大的问题,提出一种基于信道状态信息(CSI)和改进多元核函数极限学习机(FO-MKELM)的室内定位方法。首先在预处理阶段对CSI幅值差和重构相位信息进行融合,以减少环境噪声的影响;其次,在离线训练阶段,采用分段式量子粒子群算法(QPSO)为模型寻找最优参数,以提高定位精度和泛化性能;然后,为抑制环境改变对定位性能的影响,引入在线增量学习和遗忘机制,添加部分新增数据进行增量学习持续更新定位模型,并设置数据有效期遗忘过旧数据减少不良影响;最终,在在线预测阶段,将模型输出与标签库进行匹配获得更为准确的坐标。在空旷楼道和复杂实验室两种不同的环境下进行实验验证,该算法相比其他定位方法在定位精度和长期稳定性上都有所提升。

基于MKELM的智能电网短期电价预测与分类

智能电网中的需求侧管理和短期调度操作需要对短期电价进行预测。因此,提出了一种多核极限学习机(MKELM)用于根据一些预先指定的价格阈值进行短期电价预测和分类。此方法与使用输入层和隐藏层之间的随机权重的传统ELM相比具有明显优势。此外,研究中借助水循环算法(WCA)对MKELM短期电价预测方法进行了优化,提出了WCA-MKELM方法,以提高短期电价预测与分类的准确性。为了验证所提议方法的有效性,对不同季节电力市场的电力需求进行分析,并进行短期价格预测。结果表明WCA-MKELM智能短期电网电价预测方法准确性较高。

基于Boosting-MKELM的回流焊过程质量预测研究

通过建立基于钽电容仿真模型的代理模型,实现对其回流焊过程的质量预测。以锡膏尺寸中的最小末端连接宽度、最小侧面连接长度、最小填充高度和焊料填充厚度作为钽电容回流焊过程中的关键质量指标,运用Boosting-MKELM算法建立质量指标预测模型;并以E RMS和R 2作为模型性能评估指标,通过与传统代理模型算法对比,验证算法的有效性及性能。结果表明,相比PRS模型、SVM模型及RBF模型,Boosting-MKELM所预测的4个质量指标都拥有最小的E RMS和R 2,说明所建立的Boosting-MKELM预测模型具有更高的精度,可更好地表征输入变量与质量指标之间的映射关系。

基于IGWO-MKELM的锂离子电池剩余使用寿命预测

随着锂离子电池在储能系统中比例迅速增大,为避免因电池性能退化导致的事故,如何准确预测锂离子电池剩余使用寿命就成为保障储能系统可靠运行的关键。针对锂离子电池剩余使用寿命预测的问题,提出一种改进灰狼优化多核极限学习机(IGWO-MKELM)预测方法。首先从电池充放电过程中提取能够表征电池寿命退化的间接健康因子作为输入量,然后采用改进灰狼算法对多核极限学习机参数进行寻优,建立改进灰狼优化多核极限学习机预测方法,最后使用NASA电池数据集进行仿真实验。结果表明,IGWO-MKELM方法可以更加精确地预测锂离子电池剩余寿命。

基于LLSO-MKELM算法的观瞄故障诊断

针对装甲车辆的观瞄系统,提出一种基于多核极限学习机(multi kernel extreme learning machine,MKELM)的故障诊断模型。利用分级粒子群优化算法(level-based learning swarm optimizer,LLSO)优化模型参数,利用采集历史数据进行仿真实验。结果表明:MKELM有更好的诊断准确度,并且LLSO可解决MKELM相对较多的参数带来的训练速度较慢的问题;与经典的粒子群算法(particle swarm optimization,PSO)相比,LLSO有着更快的优化速度,证明了LLSO-MKELM可用于观瞄系统故障诊断,并且有着良好的训练速度和准确度。

基于模糊C均值聚类-变分模态分解和群智能优化的多核神经网络短期负荷预测模型

电力系统的运行和控制中,短期负荷预测(short-term load forecasting,STLF)起着至关重要的作用。由于负荷的随机性和复杂性,准确预测负荷成为一项挑战。该文将结合了模糊C均值聚类(fuzzy C-means clustering,FCM)理论、变分模态分解(variational modal decomposition,VMD)和混沌粒子群优化(chaotic particle swarm optimization,CPSO)算法的多核极限学习机(multi-kernel extreme learning machine,MKELM)引入到预测模型中,构建聚类、分解、优化、训练、预测的负荷预测模型。然后基于已用于中国南极内陆泰山站能源系统的短期负荷预测应用案例,在原有模型基础上改进后获得适用于中国国内用电负荷预测模型。模型训练结果对比表明,该新模型在负荷短期预测中具有较高精度,能够反映区域用电负荷的变化趋势,研究成果为各种场景的用电负荷预测提供了新方法和新思路。

基于VMD-PSO-多核极限学习机的短期负荷预测

为提高短期负荷预测精度,解决核极限学习机单一核函数难以适应负荷多数据特征的问题,提出了一种基于变分模态分解与粒子群优化的多核极限学习机模型。该模型采用变分模态分解技术将原始负荷序列分解为具有不同特征频率的子序列,并对每个子序列建立预测模型。负荷预测模型采用粒子群优化的多核极限学习机,其使用混合核函数代替单一的核函数,使其在不同的参数下不仅有良好的局部搜索能力,同时也加强了全局搜索能力。实验表明,该模型拥有更好的回归精度和泛化能力,能够得到更精确的预测结果。