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。

关键词： 智能交通   短期交通流预测   混合预测模型   原子搜索算法   极限学习机  

摘要： 交通流的动态性、不确定性和非线性等特性导致交通流难以精确预测,本文在极限学习机(Extreme Learning Machine,ELM)的基础上,通过嵌入原子搜索算法(Atom Search Optimization,ASO),构建ASO-ELM短期交通流预测混合优化模型,对比现有短期交通流预测模型,分析混合优化模型在短期交通流预测领域的表现。实验选取荷兰阿姆斯特丹市A10环形公路为路网原型,使用ASO-ELM混合模型与常见交通流预测模型进行对比实验。实验结果表明:ASO-ELM混合模型在4个数据集下的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)相较于ELM模型分别下降了4.3%、3.5%、6.9%和5.4%,均方根误差(Root Mean Squared Error,RMSE)分别下降了4.8%、4.0%、2.0%和5.2%;其次,与人工神经网络(Artificial Neural Network,ANN)相比,MAPE分别下降了9.6%、8.6%、9.8%和5.0%,RMSE也分别下降了4.5%、5.9%、2.6%和1.7%。研究成果揭示了混合优化模型在短期交通流预测领域的潜力。

关键词： 麻雀搜索算法   极限学习机   土壤供肥量预测   智能灌溉   智能农业  

摘要： 针对传统农业灌溉系统中土壤供肥量预测准确率低、效率差的问题,提出基于改进麻雀搜索算法优化极限学习机(MHISSA-ELM)的农作物土壤供肥量预测模型。首先,引入飞行引领、分段权重正余弦优化发现者位置更新、警戒者步长因子非线性更新和变异对立学习机制,对传统麻雀搜索算法的盲目飞行、种群多样性、全局搜索与局部开发均衡性及跳离局部最优的全局搜索能力进行改进,提高算法寻优性能,实现多策略混合改进麻雀搜索算法MHISSA。然后,为提高极限学习机ELM的预测精度和泛化能力,利用MHISSA算法迭代优化ELM网络的关键参数:连接权重和隐含层偏差,并以农作物土壤供肥量预测为目标,构建基于MHISSA优化极限学习机的土壤供肥量预测模型。试验结果表明,与同类的四种预测模型相比,MHISSA-ELM的预测曲线与实际曲线最贴近,预测误差可以控制在[-10,15]kg/hm 2之间,最大相对误差为4.8%,绝对百分比误差MAPE为1.7%,预测精度为所有对比模型中最高,模型在农业智能灌溉领域具有实用性。

关键词： 玉米干燥   预测模型   极限学习机   相邻平均法  

摘要： 精准预测玉米出机水分含量是实现玉米干燥过程自动控制的关键。为提升玉米干燥系统自动化程度,实现玉米出机水分的快速、无损、精准预测,研究依托粮食干燥模拟试验系统,通过调节干燥过程的热风温度、干燥段温度和排粮频率,设计8组多批次玉米干燥平行试验,分时段获得玉米干燥过程6个点位的温湿度特征数据,以及相对应的出机玉米水分含量数据;通过相邻平均法(adjacent average smoothing,AAS)对12组温湿度特征数据进行平滑处理,平滑后的数据点集合毛刺减少、波动明显缓解,12组特征数据与玉米出机水分含量的Pearson相关性大幅提升,提高幅度在0.061~0.105之间,为后续构建玉米水分预测模型提供了数据基础;进而,研究以相邻平均法平滑后的12组特征数据作为模型输入量,构建了基于极限学习机(extreme learning ma⁃chine,ELM)的玉米干燥过程出机水分含量预测模型并进行评价分析。结果表明:基于ELM的玉米出机水分含量预测模型以sig⁃moid为激活函数、神经元个数设定为22时,模型运行速率较快、预测效果较好,其中训练集和验证集拟合优度R2分别为0.9886和0.9812,验证集R^(2)与训练集接近,表明该模型拟合效果较好、未出现过拟合情况,水分含量预测均方根误差(root mean square er⁃ror,RMSE)分别为0.2811%和0.3821%,预测误差总体较低。综上表明,模型在训练与验证过程中均具备较好的拟合效果和较高的预测准确性。该模型为玉米干燥过程的自动化控制和工艺优化提供了数据参考和技术支持。

关键词： 锂电池   变分模态分解   核极限学习机   麻雀搜索算法  

摘要： 在传统电动汽车锂电池预测中，往往将健康状态（State of Health，SOH）预测视作一个整体，进而给出单一SOH预测结果。但在实际汽车运行中，直接进行SOH的单一预测误差大，预测效果不好，为了提高电动汽车的电池SOH预测精度，提出了一种基于变分模态分解和麻雀搜索算法优化的核极限学习机集成预测模型的新的预测方法，VMD-SSA-KELM。通过变分模态分解电池SOH序列，降低SOH回升的影响，同时利用Person相关法减少噪声的影响，提高预测的准确性；该方法中引入核极限学习机KELM，在保留了极限学习机优点的基础上，提高了预测的精度。基于四辆电动汽车的运行数据对提出模型进行验证，实验结果表明：与VMD-DBO-KELM，VMD-POA-KELM，VMD-KELM，VMD-ELM模型相比，本文提出的模型其预测趋势与原数据趋势一致，其他模型的结果波动较大，新模型预测的均方根误差在0.2%内，预测精度更高，预测效率更快，所用时间更短，故可以证明本文提出方法具有更高的准确性和鲁棒性。

关键词： 短期风电功率预测   麻雀搜索算法   变分模态分解   混合核函数   核极限学习机  

摘要： 为提高风电功率的预测精度,提出了一种变分模态分解(variational mode decomposition,VMD)和混合核极限学习机(hybrid kernel extreme learning machine,HKELM)相结合的短期风电功率预测方法。针对VMD和HKELM参数难调问题,以及实现两算法参数的自适应选择,采用麻雀搜索算法(sparrow search algorithm,SSA)对两种算法中的关键参数进行优化。首先,基于3种信号分解指标设计SSA优化VMD的适应度函数,对VMD关键参数进行寻优,利用优化后的VMD将风电功率分解为一组平稳子分量。然后,结合径向基核函数与多项式核函数优点组成混合核函数,对各分量结合气象特征分别建立兼顾学习与泛化能力的HKELM预测模型,并使用SSA对模型参数进行寻优,以充分发挥模型性能。最后,将各分量预测值叠加,得到最终预测结果。以中国内蒙古某风电场实际数据进行仿真实验,结果表明,该方法相比于其他预测方法具有更高的预测精度。

关键词： NO_(x)   重型柴油车   麻雀搜索算法   深度极限学习机   排放预测  

摘要： 用麻雀搜索算法优化的深度极限学习机(SSA-DELM)构建柴油车NO_(x)排放预测模型,对柴油车低速、中速和高速状态下的NO_(x)排放进行预测,并将此模型性能与深度极限学习机(DELM)模型性能进行对比分析。结果表明:SSA-DELM模型的预测效果较好,在低速、中速、高速状态下该模型平均绝对百分比误差MAPE分别为0.0610、0.0449、0.0391;在低速、中速、高速状态下SSA-DELM模型的性能评价指标比DELM模型性能评价指标分别优约23%、44%、11%。

关键词： 干旱预测   ELM   EDA   贵州省  

摘要： 构建适用的干旱预测模型是保障用水安全与粮食安全的关键。针对极限学习机在干旱预测中存在稳定性差等问题,构建了分布估计算法优化极限学习机模型。基于海温指数优选出关键模型输入,以标准化降水蒸散发指数作为模型输出,对贵州省的干旱情势进行了预测。结果表明:标准化降水蒸散发指数是评价贵州省干旱的有效指数;海温指数是预测贵州省干旱的有效变量,且其具有良好的前兆指示作用,最大提前期长达15个月;同等条件下,分布估计算法优化极限学习机的预测效果优于遗传算法优化极限学习机,该模型可为贵州省的抗旱减灾工作提供技术支撑。

关键词： 道路工程   隧道口边坡   位移预测   变分模态分解   灰狼优化极限学习机  

摘要： 针对高铁隧道口边坡位移监测数据非平稳、非线性的特点,以及极限学习机(ELM)模型起始参数随机生成导致预测性能不佳等问题,建立了基于变分模态分解(VMD)和灰狼优化算法(GWO)的ELM位移预测模型VMD-GWO-ELM。首先,通过经验模态分解的自适应分解层数确定VMD的最佳分解数k,得到周期项、趋势项和波动项位移。然后,利用灰狼算法优化ELM的输入权值和隐含神经元阈值。最后,对各子序列进行预测和叠加。实例验证结果表明:本文模型的均方根误差为0.3822 mm,平均绝对百分比误差为1.0047%,拟合优度为0.9837,表明该模型具有更高的预测精度及适用性。