关键词： 基坑变形   混沌   相空间重构   遗传算法(GA)   极限学习机(ELM)  

摘要： 基坑变形是造成施工事故的主要原因之一,其变形特性具有很大不确定性及随机性。为了防止基坑变形事故的发生,实现基坑变形的准确预测,提出一种将相空间重构、遗传算法(GA)、极限学习机(ELM)相结合的基坑变形时序混沌预测模型。首先,对基坑变形量时序进行相空间重构,通过混沌理论中的G-P算法及自相关法获得重构相空间参数;然后,采用相空间重构后的变形时间序列,建立基坑变形量预测的ELM模型,同时采用GA算法对ELM模型参数进行优化。最后,训练得到最优GA-ELM模型。以某基坑为例,采用GA-ELM模型进行变形量的混沌预测。研究结果表明:GA-ELM模型的预测结果优于单一ELM模型的预测结果,预测精度较高,有利于基坑变形的长期预测。

关键词： 短期风速预测   风电场   在线序列极限学习机   相空间重构  

摘要： 为了对风电场的风速进行比较准确的预测,提高风电的稳定性,减轻风电对整个电网的影响,针对风速时间序列的混沌特性,笔者运用相空间重构理论对风速时间序列数据进行相空间重构,提出一种运用在线序列极限学习机算法的风速预测理论。通过与BP神经网络算法相比较,在线序列极限学习机算法的预测精度和预测时间都有一定的提高,说明该算法在短期风速预测上是有效的和可行的。

关键词： 太阳能   预测   主成分分析   分位数回归   极限学习机  

摘要： 提出一种基于极限学习机分位数回归算法(QRELM)并考虑季节特性的短期光伏出力区间预测模型。首先以光伏出力与经过主成分分析(PCA)降维的气象因子组成QRELM输入样本,学习内在规律并生成不同分位水平分位数;进一步以综合评价指标为目标函数,使用改进的差分进化算法(DE)对不同分位数线性加权组合得到预测区间上下界,实现对光伏出力区间的单步超前预测。实验证明,相比传统神经网络算法,分季节训练QRELM模型、PCA与DE组合算法可以有效提高预测区间性能。

关键词： ELM极限学习机   二次网   供水温度   供热系统  

摘要： 为实现供热系统的节能减排,供热系统二级网经常采用质调节,而质调节的关键是根据室外温度等主要参数预测二次网供水温度。为了得到准确有效的预测结果,分析二次网供水温度预测原理和非正常数据及离线数据的处理方法并建立了ELM极限学习机的二次网供水温度预测模型。通过工程的实际数据对预测方法进行验证,ELM极限学习机的预测与实际值偏差较小,满足实际工程的应用要求,模型准确性较高。

关键词： 风力发电   电网安全运行   极限学习机   短期风电预测   输出功率预测   主成分分析   粒子滤波   规模型  

摘要： 风力发电的波动性给实现电网安全运行带来了挑战,因此,需要准确预测风力发电量。提出了一种基于粒子滤波和单隐层神经网络极值学习机的短期风电预测方法,并引入主成分分析对数据进行降维。极限学习机具有快速的训练速度和良好的泛化性能,它可以在同一时间和空间学习风速、风向等气象因素与海上风电场发电量之间的关系,再加上粒子滤波对数据的预处理,更新训练数据和网络结构。实现气象数据的快速实时校正和风电机组输出功率预测。与现有预测规模型相比,本实验模型平均绝对百分比误差最低为5.81%,结果验证了所提预测方法的可行性和优越性。

关键词： 锂离子电池   SOH预测   健康特征   改进粒子群算法   极限学习机  

摘要： 锂离子电池健康状态(SOH)的准确预测能够保障电池安全稳定的运行。针对目前SOH预测模型准确性不高的问题,提出了一种改进粒子群优化算法(IPSOVP)和极限学习机(ELM)的SOH预测模型。首先,对电池数据进行分析,选择能够映射SOH变化趋势的健康特征;然后,采用Pearson相关系数分析法选出与SOH具有极高相关性的3个健康特征作为模型的输入,SOH作为输出;利用IPSOVP算法对ELM进行优化,建立IPSOVP-ELM模型进行SOH预测;最后,利用NASA电池数据集对IPSOVP-ELM模型进行验证,并与ELM模型、PSO-ELM模型、反向神经网络(BP)以及长短期记忆网络(LSTM)模型进行比较。实验结果表明,IPSOVP-ELM模型误差稳定在2%以内,具有更高的预测精度和鲁棒性,性能更好。

关键词： 滑坡易发性预测   深度学习   双向长短时记忆网络   条件随机场   可解释性   工程地质.  

摘要： 针对滑坡易发性预测建模中滑坡-非滑坡样本可能存在误差、环境因子间非线性关系较复杂且机器学习可解释性未被关注等重要问题,拟提出一种基于自筛选的双向长短时记忆网络与条件随机场的滑坡易发性预测模型(Selfscreening Bi-directional Long Short-Term Memory and Conditional Random Fields,SBiLSTM-CRF).SBiLSTM-CRF模型具有深度学习网络层数深、宽度广及可循环迭代建模的优势,能预测出环境因子间的非线性关系,并通过迭代自动筛选阈值区间外的错误滑坡样本.该模型可用于解释各环境因子之间耦合关系的内部作用机制.将SBiLSTM-CRF模型用于陕西延长县滑坡易发性预测,并与cpLSTM-CRF、随机森林、支持向量机、随机梯度下降和逻辑回归模型比较.结果表明,SBiLSTM-CRF克服了传统机器学习中存在的样本误差以及因子间复杂的非线性关系问题,具有更高的预测性能.通过该模型的可解释性能力揭示了坡度、高程和岩性等因子控制延长县的黄土滑坡发育的机制.

关键词： 海洋捕食者算法   极限学习机   相似日   输出功率预测  

摘要： 为了改善光伏发电系统短期输出功率的预测精度,提出了一种基于海洋捕食者算法优化极限学习机(marine predator algorithm optimizing limit learning machine,MPA-ELM)算法。首先根据光伏发电原始数据利用皮尔逊相关系数选出影响光伏出力较大的四个特征,然后根据欧式距离选择出与带预测日相近的五天的相似日数据,并将选出的相似日数据归一化处理。其次,利用选出来的数据分别训练传统极限学习机模型和海洋捕食者优化的极限学习机模型,使得各因素一光伏功率建立密切的映射关系。最后将训练好的两种模型来预测同一天的光伏功率出力,并利用平均绝对误差M、均方根误差R和皮尔逊系数R2来评估模型优劣。仿真结果表明,基于海洋捕食者算法改进极限学习机光伏功率预测的精度更高。这个模型可以帮助电力系统及光伏发电系统的经济调度和优化运行,这对于安全稳定和优化运行具有重要意义。

关键词： 黑猩猩优化算法   极限学习机   网络安全   态势预测   Tent混沌   差分进化   个体变异  

摘要： 针对传统网络安全态势预测准确率不高、效率差的问题,利用改进黑猩猩算法优化极限学习机训练并构建网安态势预测模型ICOA-ELM。引入Tent混沌种群初始化、收敛因子非线性递减和差分进化机制对COA算法的初始种群多样性、全局搜索与局部开发均衡性及跳离局部最优能力进行改进,提高算法寻优性能。为提高极限学习机的预测精度和泛化能力,利用ICOA算法迭代优化ELM的关键参数,构建ICOA优化极限学习机的网安态势预测模型ICOA-ELM。实验结果表明,ICOA-ELM的预测结果拟合度更高,具有更好的预测效率和稳定性。

关键词： 深度学习   滑坡   DBN算法   动量学习率   预测  

摘要： 为提高降雨型滑坡的预测准确率,克服现有预测方法难以处理多因素非线性关系的问题,提出了一种基于DBN的对学习率进行优化控制的多因素预测模型,该模型在传统的DBN算法基础上,引入动量学习率,使用Dropout和Softmax等技术,避免收敛困难或局部最优,减少过拟合问题。仿真实验结果验证了本文所提出模型的准确率,为利用深度学习方法进行降雨型滑坡预测提供了新思路。