关键词： 冲击性负荷预测   集合经验模式分解   混沌多目标蚁狮优化算法   核极限学习机  

摘要： 针对冲击性负荷预测问题,提出了一种基于混沌多目标蚁狮优化算法(chaotic multi-objective antlion optimization algorithm,CMOALO)和核极限学习机(kernel extreme learning machine,KELM)的冲击性负荷预测模型。首先,为了降低预测难度,使用集合经验模式分解(ensemble empirical mode decomposition,EEMD)将原始冲击性负荷分解为一系列更为平稳的子序列。为了同时提升模型的预测精度和稳定性,提出了一种MOALO;其次,为进一步提高算法的解搜索能力,将MOALO与混沌运算融合,提出了CMOALO算法,将其用于优化KELM。最后通过某地区真实采集的冲击性负荷数据对所提出的EEMD-CMOALOKELM模型进行验证。通过案例分析可知,所提出的冲击性负荷预测模型,无论是在预测精度还是预测稳定性方面,性能最好。

关键词： 溪洛渡库区   滑坡位移   长短时记忆网络   短期预测  

摘要： 库岸边坡是一个复杂的地质综合体,库岸滑坡是威胁库区安全的地质隐患。多数传统滑坡预测模型为静态模型,未将滑坡变形特征与位移预测二者结合考虑,不能实际反映滑坡演化过程中的动态特性。本文基于溪洛渡库区58处涉水滑坡变形监测结果,归纳了库岸滑坡变形规律,采用机器学习方法实现了不同特征滑坡变形趋势的短期预测。研究结果显示:(1)研究区年平均地表形变速率处于-116.841~265mm·yr^(-1),负值代表目标地物远离卫星方向位移,正值代表目标地物靠近卫星方向移动,其中存在缓慢变形滑坡13处,根据其累计位移曲线特征划分为:阶跃型、振荡型和持续增长型三类。(2)阶跃型滑坡滑面多为弧线型,其变形主要受库水位周期性变动影响;振荡型滑坡滑面多为折线型,其变形多受库水位和降雨共同作用;持续增长型滑坡滑面多为直线型,其变形主要受自身地质条件控制。(3)针对不同变形特征滑坡,采用长短时记忆(LSTM)神经网络模型考虑多因素耦合和滑坡演化状态建立了滑坡变形动态预测模型,通过评价结果验证,该模型具有较高预测精度及良好的适用性。研究结果可以为溪洛渡库区滑坡系统研究与防治提供依据,为库区不同变形特征滑坡短期预测提供新思路。

关键词： 岩爆   极限树   朴素随机过采样   主成分分析   交叉验证  

摘要： 随着地下工程向深部发展,岩爆预测变越得来越紧迫。机器学习的迅速发展使得越来越多的智能算法被用于预测岩爆。针对监督学习算法在岩爆预测中的缺陷,本文通过使用朴素随机过采样、特征权重分析、主成分分析、交叉验证和过拟合分析等方法,建立了基于极限树(ET)算法的模型。收集246个岩爆案例建立数据库,数据库分为训练集(70%)和测试集(30%),选取8个特征值作为输入参数。通过对比三种过采样处理方法,最终采用朴素随机过采样的方法处理数据集以便获得均衡的数据集,与不均衡的数据集相比准确度提高了12%。为解释ET模型,引入排列重要性算法分析了8个特征值的相对重要性。结果表明弹性能指数是最重要的因素。通过主成分分析对数据进行可视化分析,发现经过过采样处理后的轻微岩爆和中等岩爆数据变得相对离散。使用交叉验证的方法确定ET中的超参数,并对模型的泛化性进行评价,结果表明ET模型具有较好的泛化性。

关键词： 质量预测   互信息法   改进多隐层极限学习机   混合核函数   双向长短时神经网络   Circle混沌映射   Levy飞行   改进灰狼算法  

摘要： 在产品生产过程中，准确快地预测产品质量有助于企业及时调整制造工艺，降低损失。针对实际生产过程中，现场采集的工艺数据存在维度高、相关性复杂且用传统方法难以准确预测的问题，提出一种基于改进多隐层极限学习机（Improved Multiple Hidden Layer Extreme Learning Machine，LCGWO-DMKEA-BLSTM）的方法。首先，通过互信息法（Mutual Information，MI）对采集的生产工艺特征参数进行筛选，组成模型输入初始特征集。其次，将高斯核函数与反余弦核函数加权结合，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，建立深度多内核极限学习机自编码器（Deep Multi-Kernel Extreme Learning Machine Auto-encoder，DMKEA）特征挖掘模型，从高维复杂工艺特征集中提取最能反映产品质量的关键特征信息，输入决策层双向长短时神经网络（Bidirectional Long Short-term Memory Network，BLSTM）中进行质量预测。在DMKEA学习训练中，采用基于Circle混沌映射和Levy飞行策略改进的灰狼算法（Improved Grey Wolf Optimizer，LCGWO），优化惩罚系数、核参数以及核函数组合权重，提高DMKEA的特征挖掘能力。最后用半导体薄膜晶体管液晶显示器生产线的工艺数据实验验证了所提出方法的有效性。研究成果有助于企业实现准确地产品质量预测，也为企业生产的数据赋能提供参考。

关键词： 极限学习机   城建项目   工程造价   网络模型  

摘要： 城建项目工程的初步投资估算,在项目方案的比选和投资控制中起着至关重要的作用。城建项目决策阶段因信息量有限,对建设项目的工程造价进行预测十分必要。基于此,研究基于极限学习机算法的城建项目工程造价预测方法,首先在公开数据库中选择城建项目工程造价数据,采用缩放处理方法描述数据特征,其次按照不同的数据特征进行统一化处理,最后基于极限学习机算法构建网络模型,预测不同类型的城建项目工程造价,从而完成方法设计。以不同工程项目为测试对象的实验结果表明,新方法能够实现对不同工程单方造价的有效预测,具有应用价值。

关键词： 变压器   油色谱   气体浓度预测   极限学习机  

摘要： 为提前感知变压器故障状态,根据变压器油中特征气体的特点,通过对主变油温、变压器负荷及油色谱数据进行分析,利用极限学习机算法,构建变压器油中气体浓度预测模型,从而预测出变压器在未来时刻的气体浓度状态,解决传统的离线溶解气体分析间隔时间较长和间隔期间变压器状态难以评估的问题。利用本文提出的基于极限学习机的变压器油中气体浓度预测模型,可以实现对变压器油中的气体浓度预测,为变压器检修提供数据支撑。

关键词： 极限学习机   市场需求侧   电力负荷   短期   预测  

摘要： 为了优化市场需求侧短期电力负荷预测效果,减小负荷预测偏差,引入极限学习机,开展基于极限学习机的市场需求侧短期电力负荷预测方法研究。从缺失电力负荷数据补充、异常电力负荷数据识别与修正两个维度,对市场需求侧短期电力负荷数据进行预处理。在此基础上,建立基于极限学习机的负荷预测模型,预测市场需求侧短期电力负荷数据的动态变化。实验分析结果表明,应用文章提出的方法,短期电力负荷数据集的预测平均绝对百分比误差始终小于对照组,均未超过1%,预测精度较高。

关键词： 地表最大沉降   主成分分析   哈里斯鹰算法   极限学习机   沉降预测  

摘要： 城市地铁盾构施工引发的地面过大变形会严重影响周边构筑物的正常使用,甚至引发工程事故。针对传统预测方法中的数据维度过大容易导致精度降低、计算复杂等问题,提出了一种基于主成分分析(principal component analysis,PCA)算法和哈里斯鹰优化(Harris Hawks optimization,HHO)算法的极限学习机(extreme learning machine,ELM)预测模型。在地质、几何及盾构参数中初选14个影响因子,利用PCA算法在14维数组中分离和提取5个主成分变量作为模型的输入,利用HHO优化ELM模型的输入层权值和隐含层阈值参数,得到预测模型的最优解。以昆明轨道交通五号线怡心桥站—广福路站隧道区间监测数据进行仿真验证,并将该模型与BP神经网络、RBF、未优化的ELM模型进行对比分析。结果表明:PCA-HHO-ELM预测模型的均方根误差为0.1435、平均绝对误差为0.0262、决定系数为0.9596,相较于其他模型,该模型具有更优的预测性能;与未优化的ELM模型相比,HHO算法能够提高ELM模型的预测精度和泛化能力。PCA-HHO-ELM模型能可靠预测盾构诱发的地表最大沉降,可为类似变形预测提供一种更为可行的新思路。

关键词： 居民空调   用电量预测   负荷能耗   激活函数   极限学习机   拉格朗日算子   神经元   神经网络  

摘要： 为实现高精度的居民空调负荷能耗预测,基于鲁棒极限学习机提出了一种新的居民空调负荷能耗预测方法.以归一化的方式处理空调负荷能耗数据集,优化预测用户工作日样本数据集,采用鲁棒极限学习机构建负荷能耗激活函数预测模型.引入拉格朗日算子约束优化模型,以迭代求解的方式完成居民空调负荷能耗预测.仿真测试结果表明,在迭代次数为250次、过度补偿为1.5%时,该方法的收敛速度为0.2 ms,平均预测精度为96.7%,具有较强的预测性能.

关键词： 光伏短期预测   自适应噪声完全集成经验模态分解算法   极限学习机   黑猩猩优化算法  

摘要： 针对传统极限学习机易陷入局部最优解的缺点以及环境变化导致光伏出力波动的特点,构建了一种基于自适应噪声完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)算法,结合黑猩猩优化算法优化极限学习机神经网络的光伏出力短期预测模型。首先利用CEEMDAN算法将影响光伏输出功率的关键环境因素序列进行分解,得到数据信号在不同时间尺度的局部特征,降低环境因素序列的非平稳性,然后将各分解子序列和光伏历史数据序列作为黑猩猩算法优化的极限学习机预测模型输入进行预测。最后,选用DKASC Solar Centre光伏电站数据集对不同预测模型进行验证对比。实例仿真结果表明,构建的改进光伏出力预测组合模型的各项指标预测效果更好,且适用不同环境的光伏发电预测。