基于数字孪生与多模型融合的多元负荷短期预测

针对多元负荷呈波动性和非线性特性导致预测模型稳定性差和精确度低等问题,提出一种基于数字孪生与多模型融合的多元负荷短期预测方法。首先,根据数字孪生体中气象和负荷信息,利用最大信息系数(MIC)分析多源数据信息间的耦合特性,基于数据时序性和周期性构建筛选信息特征。其次,采用自适应局部迭代滤波(ALIF)将历史多元负荷数据进行分解,得到不同频率下固有模态函数(IMF)分量。然后,采用核极限学习机(KELM)和双向长短期记忆网络(BiLSTM)预测高频和低频负荷分量,融合重构得到初始负荷短期预测结果。最后,利用数字孪生体补偿初始预测结果,得到最终负荷预测结果。仿真结果表明,与单预测模型及未基于数字孪生预测模型相比,所提方法具有更好的稳定性,能有效应对负荷波动变化和非线性,提升模型预测精度。

基于数字孪生的云网智能运维技术研究

云网融合的加速发展,既推动着通信网络数字化和智能化转型升级,也带来了云网运维复杂性不断提高的问题。尽管近年来通过各种智能化技术手段取得了一定进展,使网络管理控制变得更加敏捷和高效,但大规模云网设施仍然面临着运行维护过程中效率低、周期长和成本高等挑战。针对上述挑战,该文提出基于数字孪生的自适应探测、双重评估、优化调整三种智能运维的技术,旨在提高云网运维的效率并帮助预测网络异常。在自适应探测技术中,利用数据统计方法构建历史时序数据样本,通过算法选择适应的概率分布,预测故障发生的概率。双重评估技术中,通过对孪生系统和物理系统进行双重评估,验证故障原因并进行故障朔源。优化调整技术中,通过张量分解处理大数据,优化数据样本,并通过机器学习训练样本数据来优化调整智能运维模型。实验验证表明,该技术能够预测网络异常、快速定位故障,并优化调整系统,从而实现智能运维的目标。

基于机器学习的飞机起落架着陆载荷预测模型

随着物联网、大数据技术的深入发展,一型装备交付部队的同时,往往需同步提供数字孪生模型以优化视情维护过程。基于某型号飞机试飞数据,提出了一种将机器学习技术用于飞机起落架着陆载荷预测模型构建的方法。以某型号飞机飞行参数为输入,以传感器实测的左起落架垂向载荷为输出,经数据清洗和特征降维后,分别建立极端梯度提升(extreme gradient boosting,XGBoost)、随机森林(random forest)和多层前馈(back propagation,BP)神经网络模型,并对所建模型进行调优。经对比和评估,XGBoost模型具有最高的预测精度,对起落架载荷绝大多数样本的预测误差均保持在6%以内,同时建模时间少,泛化能力强,为起落架载荷预测最优模型。

冰风暴灾害下输电线路故障概率预测

针对冰风暴灾害下输电线路运行故障问题,提出了基于极端学习机和Copula函数的断线倒塔概率预测模型。该模型运用广义极值分布刻画冰风暴灾害下冻雨量、风速、输电线和铁塔冰、风荷载的随机特性,并通过ELM网络预测出实时变化的GEV分布的形状参数、尺度参数和位置参数。随后考虑冰、风荷载之间的概率相关性,借助Clayton-Copula建立冰、风荷载的联合概率分布,从而实现输电线和铁塔的实时故障概率预测。结合湖南郴州电网的历史数据展开算例分析,验证了该预测方法的有效性和准确性。

多分类概率极限学习机及其在剩余使用寿命预测中的应用

针对多分类极限学习机(extreme learning machine,ELM)缺乏概率输出能力问题,提出一种基于sigmoid后验概率映射和Lagrange成对耦合法的多分类概率ELM(multi-class probabilistic ELM,MPELM)。采用成对耦合法将多分类问题分解成多个二分类问题,利用sigmoid函数将二分类ELM输出映射成概率输出。为融合所有二分类概率输出,推导基于Lagrange乘子法的多分类概率计算公式,最终求解被预测样本分属不同类别的概率。将MPELM用于剩余使用寿命(remaining useful life,RUL)预测,实验结果表明,相比于多分类概率支持向量机(multi-class probabilistic support vector machine,MPSVM),MPELM耗时高于MPSVM,但MPELM所需优化参数少,预测精度高于MPSVM;与基于Hastie成对耦合法的MPELM相比,两者预测精度相近,本文MPELM的测试耗时较少。

考虑负荷自适应检测和修复的鲁棒极限学习机短期负荷预测方法

针对现有负荷预测方法对于温度、湿度累积效应下的短期负荷预测精度低的不足,该文提出了一种基于时变Cook距离统计量的负荷异常值检测和基于非参数概率密度估计的负荷自适应修复的鲁棒极限学习机(extreme learning machine,ELM)短期负荷预测方法。首先将历史负荷数据按季节分组,根据每个季节实时负荷和对应的气象因素,利用递归最小二乘法获取历史负荷数据的自适应遗忘因子,构建基于遗忘因子的时变Cook距离统计量,检测负荷数据中的异常值(或强影响值);采用非参数概率密度估计,构建实时负荷与气象因素的随机模型对异常负荷值(或强影响值)进行修复。考虑电力负荷数据异常值对预测精度的影响,采用了一种鲁棒ELM算法对负荷数据进行回归分析;最后,引入基因遗传算法对负荷预测模型参数进行优化,提升负荷预测算法预测准确率;通过实例仿真分析,验证了该方法提高预测精度的有效性。

基于最小最大概率机的迁移学习分类算法

传统的迁移学习分类算法利用源域中大量有标签的数据和目标域中少量有标签的数据解决相关但不相同目标域的数据分类问题,但对于已知源域的不同类别数据均值的迁移学习分类问题并不适用。为了解决这个问题,利用源域的数据均值和目标域的少量标记数据构造迁移学习约束项,对最小最大概率机进行正则化约束,提出了基于最小最大概率机的迁移学习分类算法,简称TL-MPM。在20 News Groups数据集上的实验结果表明,目标域数据较少时,所提算法具有更高的分类正确率,从而说明了算法的有效性。

基于多尺度分解的ELM炉温预测研究

高炉数据的采样频率和各相物质的滞留时间不同呈现出多尺度特性,利用某钢铁厂采集的高炉生产数据,建立基于小波多尺度分解的极限学习机(ExtremeLearning Machine,ELM)的炉温预测模型。首先采用小波分解将硅含量和铁水温度等高炉过程参数的平稳时间序列分解为3个不同频率的细节信号和一个逼近信号;然后分别对每个细节信号和逼近信号建立ELM的子预测模型,将子模型的结果进行叠加,最终获得炉温的预测结果,并与其它预测模型进行比较;提出基于预测误差的概率密度函数的模型评价指标,该指标准确直观地反应了模型预测效果。仿真结果表明,该预测模型解决了多种采样频率的问题,其运算速度和预测精度大大提高,可为炉况的综合评价提供重要依据。

增量孪生支持向量机后验概率方法及脑电分类应用

目的研究一种对多任务脑电信号进行快速识别的自适应分类算法,提高脑-机接口(brain-computer interface,BCI)系统的实用性。方法将孪生支持向量机(twin support vector machine,TSVM)作为初始分类模型,通过后验概率输出建模方法求得新样本属于各个类别的概率,并将该样本归为概率最大的类别,然后引用增量学习方法将满足一定条件的新样本加入到训练集中来更新分类模型,以最新的分类模型对新增样本进行识别。结果对2008年BCI竞赛数据集Dataset1和Dataset2a进行分类,与传统SVM和现有TSVM等方法相比,该方法降低了分类耗时,能更好地识别出多数受试者的脑电信号。结论本文算法能提高分类器的自适应性和分类速度,为BCI系统提供了一种有效的在线识别方法。

增强操作工况识别可靠性的概率PLS-ELM方法

针对分类阈值任意给定和临近边界区域操作工况识别可靠性低问题,提出基于贝叶斯理论的概率偏最小二乘极限学习机(p-PLS-ELM)分类算法.偏最小二乘被嵌入到极限学习机框架内,通过提取隐含层正交潜在变量,避免共线性引起输出权值系数不稳定,降低输出预报值的不确定性,改善分类编码输出预报模型的鲁棒性和稳定性.应用非线性最小二乘方法估计每类条件概率密度函数的参数,结合概率密度函数和贝叶斯定理,计算每类输出预报值后验概率作为分类可靠性测度.采用该方法在某污水处理厂进行实验验证.实验结果表明,基于概率PLSELM方法的污水处理操作工况识别可靠性和准确性相对优于PLS-ELM方法.

基于极限学习机的VANET路段逻辑连通性算法研究

VANET是一种应用在道路交通环境中的无线通信模式,数据的传输性能从很大程度上都依靠道路交通流的状态。针对大量因素影响着VANET逻辑连通性,在对其建模时无法只应用单纯的数学分析方法,本文通过采用数据挖掘与仿真分析两种策略有效结合的方法系统性的研究和分析了VANET逻辑连通性。提出了基于极限学习机的VANET路段逻辑连通性模型,进而明确了路段逻辑连通概率与道路交通状态参数之间的直接关联。仿真实验结果表明,相比较于非线性回归模型,本文提出的基于极限学习机的模型因其设置的维隐含层节点更多一些,所以其连通概率估计误差值更小。

基于极限学习机的边坡可靠度分析

对于边坡极限状态函数无法显式表达的情况,传统可靠度分析方法存在求解困难或计算量大的弊端。提出了一种基于FLAC3D和极限学习机的边坡可靠度分析方法。利用均匀试验设计构造随机变量样本,基于FLAC3D强度折减法计算随机变量样本对应的安全系数;通过极限学习机强大的数据拟合能力映射出安全系数与随机变量之间的关系,构造响应面功能函数;将蒙特卡罗模拟生成的大量随机数代入响应面获得安全系数,在此基础上,计算边坡的失效概率与可靠度指标。通过具体算例分析,并与其他方法对比,发现本文方法结果可靠、易于实现,为边坡可靠度分析提供了一种新途径,具有广泛的应用前景。

用于鲁棒性建模的概率权重极限学习机

极限学习机(ELM)在机器学习领域获得了很多的关注,并在应用方面取得了极大的成功。然而,极限学习机对训练数据中的异常值点和非高斯噪声非常敏感,从而大大阻碍了ELM的应用。概率权重ELM方法主要对含有异常值和非高斯噪声数据集进行建模,首先建立概率局部ELM模型,并在此基础上利用Parzen窗方法建立局部模型的概率分布,然后将概率分布作为权重来融合所有的局部模型以建立全局鲁棒性模型。该方法成功地应用了数学例子和UCI实例,并与传统ELM、正则化ELM和鲁棒ELM进行了比较分析,结果表明概率权重ELM表现出了较好的建模性能。

风暴灾害下电力断线倒塔概率预测

提出了基于极端学习机(Extreme Learning Machine,ELM)和广义极值(Generalized Extreme Value,GEV)分布的风暴灾害下输电线路断线概率预测模型。该模型首先针对极端风速,通过ELM网络的训练学习,预测出实时变化的风速;随后从概率的角度考虑实时变化的电力线风荷载极值,提出电力线风荷载的实时广义极值分布;从而实现风暴灾害下输电线路的实时断线概率预测。结合输电线路的历史数据展开算例分析,验证了该预测方法的有效性和准确性。

有偏最小最大概率模型及在汽油属性预测中的应用

汽油属性的在线预测多采用无偏估计方法建立的近红外定量分析模型实现,累积预测误差的正负偏差范围难以控制,这会严重影响汽油调合优化控制的投运效果.针对这一问题,本文提出了一种采用有偏估计实现油品属性在线预测的方法.首先从最小最大概率学习机出发,提出了有偏最小最大概率回归模型.然后利用即时学习方法设计了有偏回归模型的局部建模与更新策略,用以提高回归模型的自适应能力.最后在国内某炼厂汽油调合过程中采集的工业数据上进行实验,结果表明该方法与传统方法相比具有明显优势,有利于大幅度提高调合优化控制的投运率.

边缘保持滤波的遥感影像多特征联合分类

针对高分辨率影像在分类时存在的“海量数据灾难”“椒盐”现象、地物边缘不可分性强的问题,提出边缘保持滤波的高分辨率遥感影像多特征联合分类方法。该方法主要分为3部分。首先,提取影像的多种特征进行联合处理,减少数据处理运算量;然后,利用极限学习机对样本子类训练多个弱分类器,通过分类器获得初始类别概率影像;最后,利用多特征联合影像构建边缘保持滤波器,对初始类别概率影像进行滤波处理,通过投票表决的方法确定每个像素的类别。通过实验验证了该方法的有效性。

改进的极小极大概率终端学习机

极小极大概率机(Minimax Probability Machine,MPM)、极小极大概率终端学习机(Minimax Probability Extreme Learning Machine,MPELM)和孪生极小极大概率终端学习机(Twin MPELM,TMPELM)在不对数据分布进行具体要求的情况下,可以为泛化误差提供明确的上界,同时使经验风险极小化。目前,MPM算法、MPELM算法和TMPELM算法主要是通过求解二阶锥规划模型的内点算法实现。本文利用支持向量机思想和凸二次规划的Wolfe对偶形式,对已有的MPM算法、MPELM算法和TMPELM算法进行了改进,并提出了三个新算法。实验结果表明,本文所提算法是有效和可竞争的。

改进的非线性RMPSVM及TMPSVM

利用二次规划的Wolfe对偶形式改进了传统的非线性最小最大概率机(简记为非线性I-MPM),在此基础上借助于SVM思想提出了非线性正则化最小最大概率支持向量机(非线性RMPSVM)。为了弥补线性TMPMC和线性TMPM中没有考虑同类样本尽可能近的不足,结合非线性I-MPM和非线性TSVM的思想提出了非线性I-TMPSVM。实验结果表明非线性I-MPM和非线性RMPSVM的分类性能总体上优于非线性SVM,非线性I-TMPSVM不仅具有较低的计算复杂性,分类性能优于非线性TSVM和非线性I-MPM,且运行时间少于非线性TSVM。

基于数字孪生和AO-ELM融合驱动的RH炉终点温度预报模型

RH精炼炉作为钢铁冶炼过程中的关键设备,其终点温度对后期铸造和产品质量影响较大。为了尽可能准确地预报钢水的终点温度,提出基于数字孪生的RH炉终点温度预报方法,通过数字孪生体模型实现终点温度的精准预报。首先通过天鹰优化器优化极限学习机(AO-ELM)构建终点温度预报虚拟模型,根据物理空间中得到的实时炼钢数据,由AO-ELM模型获得初始预测值,同时更新孪生数据库;然后通过相似度搜索,在孪生数据库中找到相似的冶炼炉次,对比相似炉次下的预报值与实际值,对初始预报值进行加权误差修正,得到最终预报值。实际算例结果表明,所建模型相较于传统人工智能终点温度预报模型更加精准和可靠,对后续温度控制有较好的指导意义。