关键词： 极限学习机   增量配电网   线损预测模型   ELM网络   适应度函数  

摘要： 针对传统预测模型预测效果较差等问题,提出改进极限学习机的增量配电网线损率预测模型。通过ELM网络结构,确定配电网环境中适应度函数,对电量参数进行寻优。在改进极限学习机算法的支持下,依据增量配电网络结构构建配电样本,确定线损分布特征以及处理流程,实现增量配电网线损率预测模型的设计。实验结果表明,基于改进极限学习机的线损率预测模型能够较好适应增量配电网环境中电量传输需求变化,在准确收集电量数据序列特征的同时,实现对配电网线损率的有效预测。

关键词： 干旱预测   河南省   标准化降水蒸散发指数   气候系统指数   PSO-ELM  

摘要： 干旱预测是提高防旱抗旱能力的重要非工程措施。在评价不同时间尺度标准化降水蒸散指数(SSPEI)对河南省干旱识别能力的基础上,以能有效表征河南省干旱状况的SSPEI为模型输出,以基于信息变化率和条件互信息的特征变量选择方法(ICR-CMIFS)筛选得到的河南省主要致旱气候系统指数为模型输入,构建了基于粒子群算法优化极限学习机(PSO-ELM)的干旱预测模型,通过对比该模型与标准极限学习机(ELM)、差分进化算法优化极限学习机(DE-ELM)模型的干旱预测结果,验证PSO-ELM模型在河南省干旱预测中的适用性。结果表明,SSPEI-3能有效识别河南省典型干旱事件,从时间和空间上可较准确地反映河南省干旱状况;ICR-CMIFS筛选出的河南省主要致旱气候系统指数为西太平洋副高面积指数和NINO指数;PSO-ELM模型能较准确地预测河南省干旱,且预测精度优于DE-ELM模型和标准ELM模型,在河南省干旱预测中具有较好的适用性。

关键词： WOA-DELM预测模型   锂离子电池   寿命预测   间接健康因子   鲸鱼优化算法  

摘要： 鉴于对锂离子电池直接预测剩余使用寿命(RUL)困难,而极限学习机预测效果不稳定的现状,提出基于等压降放电时间和深度极限学习机(DELM)相结合的间接预测方法。首先,在恒流放电过程中提取出表征电池性能退化的等压降放电时间,分析它与容量间的相关程度并选之作为间接健康因子;其次,引入鲸鱼优化算法(WOA)优化深度极限学习机模型参数,构建锂离子电池RUL预测模型。用锂离子电池数据集中的B0005、B0007两个电池进行实验,结果表明:基于等压降放电时间的WOA-DELM模型预测方法相较于BP神经网络、DELM和PSO-DELM,能够更加准确地预测出锂离子电池的RUL,预测误差±5%,具有较好的预测精度和较快的收敛速度。

关键词： 药物靶向相互作用   药物发现   极限学习机   球形搜索   类不平衡  

摘要： 为解决药物研发中湿法实验耗时长且高成本等问题,采用机器学习预测药物-靶标相互作用。同时,为解决机器学习在建立药物-靶标相互作用模型时,受到分类器的类不平衡和参数优化等各种问题的制约。文章提出了一个基于球形演化极限学习机的药物-靶相互作用预测方法(SEELM-DTI),该方法主要使用筛选法选择高置信负样本、利用球形演化算法对极限学习机的参数进行优化。该研究将SEELM-DTI与SELF-BLM、NetLapRLS、WNN-GIP、SPLCMF、BLM-NII在基准数据集中进行试验比较,评价指标为AUC与AUPR。实验结果表明:SEELM-DTI的性能和效果优于其他基准算法,并且解决了类不平衡和参数优化问题,最后在常用的多个药物数据库上验证了SEELM-DTI预测药物-靶标相互作用的效果。

关键词： 风电功率预测   气象因素   多变量相空间重构   鲸鱼优化算法   深度极限学习机  

摘要： 针对风电功率单变量处理方法及预测模型拟合能力不足的问题,提出了一种多变量相空间重构(multivariate phase space reconstruction,MPSR)和鲸鱼优化算法深度极限学习机(whale optimization algorithm-deep extreme learning machine,WOA-DELM)的短期风电功率组合预测方法。首先,利用Pearson相关系数筛选出与风电功率相关的气象因素,并将其与风电功率序列组成多变量时间序列;其次,利用C-C法确定每一时间序列的最优嵌入维数和时间延迟,实现多变量相空间重构;然后,将多变量相空间重构建立的数据集输入到深度极限学习机(deep extreme learning machine,DELM)模型中,同时利用鲸鱼优化算法(whale optimization algorithm,WOA)对DELM的权值参数进行优化,得到WOA-DELM预测模型,以此预测短期风电功率,最终得到预测结果。将平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)作为评价指标,结合实例分析,并与传统的模型进行比较。结果表明:所提预测模型得到的3个评价指标分别0.4120 MW、0.4921 MW和1.7822%,优于其他模型,具有更好的稳定性和预测性能。

关键词： 风电功率预测   完全噪声辅助聚合经验模态分解   小波阈值去噪   核极限学习机   粒子群算法  

摘要： 针对环境变化造成风力发电功率波动大和核极限学习机易陷入局部最优解的问题,构建了一种基于完全噪声辅助聚合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis,CEEMDAN)、小波阈值去噪和粒子群算法优化核极限学习机的风电功率短期预测模型。首先,利用CEEMDAN对风力发电输出功率密切相关的环境因素进行分解,得到若干个规律性较强的模态分量,利用阈值去噪法对含噪声较多的第一模态分量进行去噪,削弱环境因素的非平稳性;然后,将分解后的子分量和风电功率历史数据作为粒子群优化后的核极限学习机算法的输入进行预测;最后,选用河北张家口某风电场的实测数据进行实验对比分析。实验结果表明:所提出的改进风电功率预测组合模型的预测精度更高,适应于不同季节环境下的风电功率预测。

关键词： 哈里斯鹰算法   核极限学习机   电力负荷预测   灰色关联度分析  

摘要： 利用改进的哈里斯鹰算法对核极限学习机进行优化,构建了CEHHO-KELM电力负荷预测模型。首先,在充分考虑了经济、时间、气候以及电网自身影响的基础上,采用灰色关联分析法筛选主要影响因素作为预测模型输入向量。然后,将优化的哈里斯鹰算法融合到核极限学习机的参数优化中,建立了CEHHO-KELM电力负荷预测模型。将某省电力负荷数据及其影响因素数据用于实证分析。仿真结果表明,CEHHO-KELM算法相较于HHO-KELM、LSSVM、KELM算法,能够较好地搜索核极限学习机的参数、更好地平衡全局和局部性能,从而使得KELM预测模型具有更高的预测精度。

关键词： 锂离子电池   剩余使用寿命(RUL)   极限学习机(ELM)   间接健康因子  

摘要： 锂离子电池的剩余使用寿命存在难以准确预测、容量数据不能在线实时测量的问题,提出一种基于间接健康因子预测锂电池剩余寿命的方法。首先提取放电电压速率作为间接健康因子,通过局部均值分解(LMD)对放电电压速率数据进行分解;然后采用灰色关联度验证经解耦后的放电电压速率与电池容量之间具有高关联度,应用极限学习机(ELM)训练模型,以预测锂离子电池的剩余使用寿命;最后,将间接健康因子输入LMD-ELM关系模型中,获得电池容量的准确预测值。采用NASA数据集验证了本文所提LMD-ELM方法预测的锂电池剩余寿命方均误差小于0.002 2,平均绝对百分比误差小于3.12%。

关键词： 短期风电功率预测   深层混合核极限学习机   改进的野犬优化算法   特征优选   核主成分分析  

摘要： 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。

关键词： 改进鲸鱼算法   深度极限学习机   短期负荷预测  

摘要： 电力系统短期负荷预测的准确性是影响电力系统运行安全的关键因素。以更精准进行短期负荷预测为目标,提出了一种基于改进鲸鱼算法(Improved Whale Optimization Algorithm,IWOA)优化的多维度深度极限学习机(Deep Extreme Learning Machine,DELM)短期负荷预测方法。首先,针对传统鲸鱼算法(Whale Optimization Algorithm,WOA)初始种群分布不够广泛的问题,引入Tent混沌映射对初始鲸鱼种群初始化;其次针对极限学习机模型(Extreme Learning Machine,ELM)数据深层隐藏的信息学习能力差的问题,采用深度极限学习机作为基础负荷预测模型,并以改进鲸鱼算法对其进行参数寻优;最后考虑到温度、湿度等因素对负荷变化影响较大,建立多维度IWOA-DELM负荷预测模型。仿真结果表明,与其他模型相比,多维度的IWOA-DELM模型预测的准确度更高。