应用优化DHKELM的柴油机故障诊断方法

为准确、高效地对柴油机故障进行诊断,提出应用优化深度混合核极限学习机(deep hybrid kernel extreme learning machine, DHKELM)的柴油机故障诊断方法。该方法以各样本的频谱幅值作为故障特征,归一化处理后作为DHKELM模型的输入,从而实现对柴油机各故障状态的识别。相较极限学习机,该模型具有更深层次的结构,引入了混合核函数以及自动编码器,可以准确区分易混淆的故障类型,提高诊断准确率。针对DHKELM模型中各个超参数难以确定的问题,提出利用改进麻雀搜索算法(improved sparrow search algorithm, ISSA)对模型中各超参数进行寻优,充分发挥模型的故障诊断性能。实验结果表明,在实验室实测数据中,所提方法较传统方法具有较好的故障诊断精度,为柴油机故障诊断提供了一种新的思路。

基于IDOA-DHKELM的变压器故障诊断

针对溶解气体分析(dissolved gas analysis,DGA)诊断变压器故障准确率偏低的问题,提出了一种基于改进野犬优化算法(improved dingo optimization algorithm,IDOA)优化深度混合核极限学习机(deep hybrid kernel extreme learning machine,DHKELM)的变压器故障诊断方法。首先采用核主成分分析(kernel principal component analysis,KPCA)对气体数据降维并提取有效的特征量;其次将多项式核函数与高斯核函数加权结合,构造出新的混合核函数,并引入自动编码器对极限学习机进行改进,建立DHKELM模型。将反向学习、柯西变异和差分进化算法融入到野犬算法中,并利用2种典型的测试函数对IDOA性能进行测试,证明了IDOA具有更强的稳定性和寻优能力。利用IDOA对DHKELM的关键参数进行寻优,建立IDOA-DHKELM变压器故障诊断模型。最后,将KPCA提取的特征量作为模型的输入集,并对不同变压器故障诊断模型进行仿真验证。研究结果表明,相较于其他模型,IDOA-DHKELM具有更高的变压器故障诊断精度。

基于HPO-VMD和MISMA-DHKELM的短期光伏功率组合预测

为提高光伏发电功率的预测精度,提出一种优化变分态分解(VMD)、多策略改进黏菌优化算法(MISMA)和深度混合核极限学习机(DHKELM)的短期光伏功率组合预测方法。首先,利用VMD分解技术将不同天气类型的功率数据分解成多个模态分量,为避免模态分量间的频率混淆,使用狩猎者(HPO)算法优化VMD的关键参数-分解层数和惩罚因子;然后,针对不同天气类型分解的各分量建立DHKELM预测模型,并采用MISMA优化DHKELM模型的超参数;最后,将各模态分量预测结果求和重构作为最终预测结果。利用新疆某光伏电站的实际数据进行实验分析,实验结果表明:该方法在不同天气类型下均能实现较好的预测效果,预测精度明显优于单一预测模型,与其他方法对比,验证了该方法的有效性。

基于Adaboost-INGO-HKELM的变压器故障辨识

针对目前变压器故障诊断准确率低的问题,提出一种多策略集成模型。首先通过等度量映射(isometric mapping, Isomap)对高维非线性不可分的变压器故障数据进行降维处理。其次,利用混合核极限学习机(hybrid kernel based extreme learning machine, HKELM)进行训练学习,考虑到HKELM模型易受参数影响,所以利用北方苍鹰优化算法(northern goshawk optimization, NGO)对其参数进行寻优。但由于NGO收敛速度较慢,易陷入局部最优,引入切比雪夫混沌映射、择优学习、自适应t分布联合策略对其进行改进。同时为了提高模型整体的准确率,通过结合Adaboost集成算法,构建Adaboost-INGO-HKELM变压器故障辨识模型。最后,将提出的Adaboost-INGO-HKELM模型与未进行降维处理的INGO-HKELM模型、Isomap-INGO-KELM模型、Adaboost-Isomap-GWO-SVM等7种模型的测试准确率进行对比。提出的Adaboost-INGO-HKELM模型的准确率可达96%,均高于其他模型,验证了该模型对变压器故障辨识具有很好的效果。

基于差分进化改进混合核极限学习机的指纹定位

针对极限学习机(extreme learning machine,ELM)指纹定位泛化性能弱、鲁棒性差等问题,提出一种改进的差分进化算法优化混合核极限学习机的指纹定位方法。该方法利用改进型的Logistic混沌映射提高差分进化算法全局搜索的能力,同时利用动态控制参数法避免差分进化算法陷入局部最优,然后通过改进差分进化算法自适应调整混合核极限学习机的参数,提高训练效率。在线阶段,利用混合核函数提高极限学习机的学习性能和泛化性能,并引入L1惩罚函数防止过拟合。其泛化能力相较于单一核极限学习机提升明显。该方法有92%的测试点定位误差小于0.5 m,平均误差相较于加权K近邻法(weighted Knearest neighbor,WKNN)降低了32.6%。

基于数据分解与斑马算法优化的混合核极限学习机月径流预测

为提高月径流预测精度,改进混合核极限学习机(HKELM)预测性能,提出小波包分解(WPT)-斑马优化算法(ZOA)-HKELM组合模型。利用WPT处理月径流时序数据,构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;通过ZOA优化HKELM超参数(正则化参数、核参数、权重系数),建立WPT-ZOA-HKELM组合模型,并构建WPT-遗传算法(GA)-HKELM、WPT-灰狼优化(GWO)算法-HKELM、WPT-鲸鱼优化算法(WOA)-HKELM、WPT-ZOA-极限学习机(ELM)、WPT-ZOA-最小二乘支持向量机(LSSVM)、ZOA-HKELM作对比模型,通过黑河流域莺落峡、讨赖河水文站月径流时间序列预测实例对各模型进行检验。结果表明:(1)莺落峡、讨赖河水文站月径流时间序列WPT-ZOA-HKELM模型预测的平均绝对百分比误差分别为1.054%、0.761%,决定系数均达0.999 9,优于其他对比模型,具有更高的预测精度,预测效果更好。(2)利用ZOA优化HKELM超参数,可提高HKELM预测性能,优化效果优于GWO、WOA、GA。(3)预测模型能充分发挥WPT、ZOA和HKELM优势,提高月径流预测精度;在相同分解和优化情形下,HKELM的预测性能优于ELM、LSSVM。

基于BO-DKELM的滚动轴承故障诊断

滚动轴承作为旋转机械中的必需元件,其任何故障都可能导致机器乃至整个系统发生故障,从而导致巨大的经济损失和时间的浪费,因此必须及时准确地诊断滚动轴承故障;针对传统极限学习机中模型参数对滚动轴承故障诊断精度影响较大的问题,提出了一种基于贝叶斯优化的深度核极限学习机的滚动轴承故障诊断方法;首先,将自动编码器与核极限学习机相结合,构建了深度核极限学习机(DKELM)模型;其次,利用贝叶斯优化(BO)算法对DKELM中的超参数进行寻优,使得训练数据集和验证数据集在DKELM模型中的分类错误率之和最低;然后,将测试数据集输入到训练好的BO-DKELM中进行故障诊断;最后,采用凯斯西储大学轴承故障数据集对所提方法进行验证,最终故障诊断精度为99.6%,与深度置信网络和卷积神经网络等传统智能算法进行对比,所提方法具有更高的故障诊断精度。

基于AdaBoost-WOA-HKELM的下肢关节角度预测

针对当前下肢连续运动预测精度低的问题,提出一种基于AdaBoost-WOA-HKELM的下肢髋、膝关节角度预测方法。采集人体正常行走状态下的下肢表面肌电信号和关节角度信息,对预处理后的表面肌电信号进行特征提取,并结合关节角度信息建立特征数据集;选用混合核极限学习机(HKELM)模型作为弱学习器,引入鲸鱼优化算法(WOA)对HKELM模型参数进行优化,通过AdaBoost集成学习算法将弱学习器训练为强学习器,建立AdaBoost-WOA-HKELM关节角度预测模型,利用特征数据集对Ada⁃Boost-WOA-HKELM模型进行训练、测试,并与HKELM、WOA-HKELM模型进行髋、膝关节角度预测的仿真对比实验。结果表明:AdaBoost-WOA-HKELM模型在髋关节和膝关节角度预测方面表现出色,其均方误差分别仅为2.0869和2.2849,而决定系数分别达到了0.9882和0.9887。以上指标明显优于其他2种模型,突显了AdaBoost-WOA-HKELM模型在精确预测下肢关节角度方面的卓越性能。决定系数接近1的结果表明模型对实际数据的拟合程度极高,进一步验证了AdaBoost-WOA-HKELM模型的有效性和准确性。

多策略改进MPA算法与HKELM的变压器故障辨识

为解决目前变压器故障诊断精度低的问题,提出一种多策略改进海洋捕食者算法(MPA)与混合核极限学习机(HKELM)的变压器故障辨识方法。首先通过核主成分分析法(KPCA)对高维线性不可分的变压器故障数据进行降维,获取特征支持数据;然后通过伯努利混沌映射、改进阶段转换判据、最佳候选者等策略综合改进MPA,加强全局开发能力;最后使用改进的IMPA算法对HKELM的参数寻优,构建变压器故障诊断模型。为验证模型有效性,分析比较常用算法优化的HKELM的4种变压器故障诊断模型。其中IMPA-HKELM的诊断精度为94.7%,相比于另外3种基础算法优化的模型,诊断精度分别提升了5.4%、8%、10.7%。结果表明,提出模型有效提升了故障诊断的分类性能,并实现了较高的故障诊断精度。

改进北方苍鹰算法在光伏阵列中应用研究

针对北方苍鹰优化算法(NGO)存在收敛精度低和易陷入局部最优等问题,提出一种改进北方苍鹰算法(INGO),并应用于光伏阵列故障诊断。首先,利用Circle映射、自适应权重因子和Levy飞行策略改进了北方苍鹰优化算法,结合高斯检测机制和混合核极限学习机(HKELM)搭建INGO-HKELM故障诊断模型。其次,将INGO算法与NGO、粒子群算法(PSO)、鲸鱼算法(WOA)在测试函数上进行比较,表明在寻优能力、稳定性等方面具有优越性。然后,分析不同运行状态下光伏阵列运行特征,提出一种5维故障特征向量,作为数据的输入。最后,将4种算法分别对HKELM的核参数进行优化并实现故障分类。结果表明,所提方法能够准确地检测出光伏组件发生的异常状态,INGO-HKELM模型准确率达到93.74%,验证了所提算法的有效性和可行性。

采用特征优选和优化深层核极限学习机的短期风电功率预测

针对风电出力非线性、不稳定且用传统方法难以准确预测的问题,提出了一种基于对深层混合核极限学习机(DHKELM)参数进行优化的短期风电功率预测。利用核主成分分析(KPCA)方法进行特征优选得到的最优特征集,既能表达风电功率的有效信息,也能避免冗余信息的出现,有利于DHKELM模型的学习与训练,同时也降低了模型的复杂度。针对DHKELM超参数难确定的问题,利用改进的野犬优化算法(IDOA)对DHKELM的8个超参数进行寻优,可以发掘原始序列特征信息,从而使模型能够充分掌握数值天气预报(NWP)与风电功率之间的非线性关系。以国外某风电场真实数据为算例,结果表明:提出的预测模型相较于野犬算法、差分进化算法和粒子群优化算法的平均绝对百分比误差(MAPE)分别降低了0.979 3%、2.342 1%、3.383 2%,有效提高了风电功率的预测精度。

基于DTCN-KELM的制糖过程建模与优化

吨蔗能耗和蔗糖色值是制糖过程中两个重要的工艺指标,然而目前这两个指标均无法在线获取。此外,当生产状况发生变化时,依靠人工经验进行参数设定难以获得稳定的生产质量。为了解决这两个问题,提出一种融合深度时间卷积网络和核极限学习机的数据驱动建模方法,实现了2个工艺指标的在线预测。此外,在数据驱动模型的基础上,构建了工艺指标优化模型,并采用改进的麻雀搜索算法进行迭代计算,实现了2个工艺指标的优化。计算实验结果表明:所提出模型的预测可决系数均超过0.9,并与其他4种模型相比具有更高的预测精度。此外,通过求解工艺指标优化模型,优化后的吨蔗能耗降低了1.47%,蔗糖色值降低了2.57%,2个指标得到了较大的改善。

基于VMD和射箭算法优化改进ELM的短期光伏发电预测

为了提高光伏发电预测的准确性,提出一种结合变分模态分解(VMD)、改进的射箭算法(AA)和改进的极限学习机(ELM)的短期光伏功率预测模型。首先,将光伏数据进行变分模态分解;然后,利用混合核函数改进极限学习机;之后,利用随机反向学习策略改进射箭算法;最后,通过改进的射箭算法对混合核极限学习机中的核参数寻优并建立预测模型。通过对澳大利亚DKA太阳能中心的数据进行验证,证明该文方法的准确性。

基于改进北方苍鹰算法优化混合核极限学习机的变压器故障诊断方法

为提高变压器故障诊断精度,提出了一种基于改进北方苍鹰优化算法(improved northern goshawk optimization algorithm,INGO)优化混合核极限学习机(hybrid kernel extreme learning machine,HKELM)的变压器故障诊断方法。首先,利用ReliefF算法对19维变压器故障特征进行筛选降维;其次,引入Logistic-tent混沌映射、柯西变异算子和非线性递增权重三种策略改进北方苍鹰优化算法,提高全局寻优能力;然后使用改进后的INGO算法优化HKELM的初始参数,以提高HKELM的分类准确性和鲁棒性;最后,将经ReliefF优选后的特征作为模型的输入特征,并与不同变压器故障诊断模型进行对比实验。仿真结果表明,INGO-HKELM故障诊断模型相较于其他模型具有更高的故障诊断精度。

基于PSO-HKELM的变压器顶层油温预测模型

为精确预估变压器的热状态以指导变压器的载荷运行,基于粒子群优化的混合核极限学习机提出一种变压器顶层油温度预测模型。使用核极限学习机对顶层油温度与其影响因素之间的映射关系进行拟合回归预测,模型全面考虑了包括环境风速在内的顶层油温的主要影响因素,并采用混合核函数提高模型的学习能力和泛化性能来取得更佳的预测精度。粒子群算法用来进行模型的训练并同时进行混合核函数参数的优化,对正负训练误差采用不同容许限度处理,使得模型的预测值大于实测值,预测结果在提高精度的同时更加具有保守可靠性。通过不同季节的实测数据进行算例验证,结果表明该模型预测值与实测值基本一致,且预测误差均为正值;该模型的最大预测误差为1.97℃,分别为同条件下BP神经网络和最小二乘支持向量机模型的78.49%和82.43%;该模型具有更佳的顶油温度预测精度,能够更加可靠地实现变压器的热状态估计。

CDBN-IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题,提出了基于卷积深度置信网络(convolutional deep belief network,简称CDBN)与改进核极限学习机(improved Kernel-based extreme learning machine,简称IKELM)的滚动轴承故障智能识别方法。首先,由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取;其次,利用等距特征映射对提取的多维特征进行降维,去除冗余特征信息;然后,采用改进的核极限学习机对特征进行分类,使用粒子群(particle swarm optimization,简称PSO)对模型重要参数进行优化,实现滚动轴承变工况下的故障识别;最后,将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明,该方法能够智能有效地识别变工况的轴承故障,诊断结果优于已有的智能故障诊断方法。

基于混合模型的中长期降水量预测

针对中长期降水量预测精度较低的问题,提出了由改进集合经验模态分解方法、最小二乘法、核极限学习机和改进的果蝇优化算法构成的混合模型来对区域年度降水量序列进行预测。首先,通过改进集合经验模态分解方法将非平稳降水量时间序列分解为多个分解项。然后,根据不同分解项的特性分别采用最小二乘法和核极限学习机对其进行预测。由于核极限学习机均存在一定的参数敏感特性,因此提出使用改进的果蝇优化算法来对核极限学习机的相关参数搜索寻优,以提高其预测精度。最后,将各分解项的预测结果叠加,从而形成最终预测结果。以广东省7个地市1951-2015年的年度降水量为例,对所提方法进行了验证,结果表明:相比于自回归移动平均模型和核极限学习机模型,混合模型预测具有更高的预测精度。

基于GSA与DE优化混合核ELM的网络异常检测模型

为了增强网络入侵检测模型的准确率与泛化性,提出一种基于引力搜索算法(GSA)与差分进化(DE)算法优化混合核极限学习机(ELM)的网络入侵检测模型。该模型针对采用单个核函数的ELM模型存在的泛化能力弱、学习能力差的问题,结合多项式核函数和径向基函数的优点,构建混合核ELM模型(HKELM),将GSA和DE相结合优化HKELM模型参数,从而提高其在异常检测过程中的全局和局部优化能力,在此基础上利用核主成分分析算法进行入侵检测数据的数据降维和特征抽取,构建网络入侵检测模型KPCA-GSADE-HKELM。在KDD99数据集上的实验结果表明,与KDDwinner、CSVAC、CPSO-SVM、Dendron等模型进行对比,KPCA-GSADE-HKELM模型具有更高的检测精度和更快的检测速度。

基于小波变换样本熵和深度核极限学习机的电压暂降源辨识

电压暂降源的准确辨识是电压暂降治理决策和责任划分的基础。本文针对电压暂降源辨识困难问题,以信号处理和机器学习为基础,提出了一种基于小波变换样本熵和深度核极限学习机的电压暂降源辨识方法。利用小波变换对电压暂降信号进行分解,并计算分解后的小波系数的样本熵,以构成特征向量。基于极限学习机和自编码器理论并引入核函数构建深度核极限学习机模型,并将特征向量作为模型输入,通过多次训练和参数调试,获得最优参数。利用训练好的模型对输入数据进行辨识,以实现电压暂降源的辨识。结果表明,所提方法的准确率高、抗噪声性能好。

基于深度分解的非平稳非高斯过程多步预测

首先,综合运用小波包分解(wavelet packet decomposition,简称WPD)、样本熵、单位根检验法和变分模态分解(variational mode decomposition,简称VMD),提出利用混合深度分解(hybrid deep decomposition,简称HDD)对非平稳非高斯过程进行处理,降低实测风速风压复杂性,提升其可预测性;其次,根据Mercer定理构造了Morlet+Hermite(MH)线性组合核函数,使其具有局部多分辨性和全局泛化性的优点,采用粒子群算法(particle swarm optimization,简称PSO)对MH核进行参数优化,结合最小二乘支持向量机(least square support vector machine,简称LSSVM)建立HDD-MH-LSSVM多步预测模型;然后,将该模型与常用核函数构成的HDD-Poly-LSSVM,HDD-径向基函数(radial basis function,简称RBF)-LSSVM多步预测模型以及极限学习机(extreme learning machine,简称ELM)多步预测模型形成对比;最后,采用下击暴流风速和台风天大跨膜结构表面实测风压进行大步数多步预测验证。结果表明,HDD-MH-LSSVM预测算法预测精度高、稳定性好、通用性强。