关键词： 风电功率预测   可变模态分解   灰狼算法   核极限学习机   预测精度  

摘要： 针对风能的波动性、非平稳性导致风电功率预测精度不高的问题,研究并提出一种基于可变模式分解(VMD)技术和改进灰狼算法(DIGWO)优化核极限学习机(KELM)的短期风电功率预测模型。将功率信号进行分解得到若干个不同带宽的模式分量,对各个模式分量建立核极限学习机预测模型。为提高核极限学习机的寻优能力,采用改进的灰狼算法对核极限学习机的参数进行优化,得到各个模式分量的预测值,将分量预测值进行叠加后得到风电功率最终预测。采用实际风电功率数据进行实验仿真,实验结果表明,该模型的RMSE和MAE分别是1.5%和1.16%,相比其他模型提高了风电功率预测精度。

关键词： 交通流预测   极限学习机   智能交通  

摘要： 交通流信息预测是智能交通系统进行交通疏导管理的重要基础,为城市交通管理规划提供可靠的数据支持和科学的决策依据。由于交通流量数据是实时更新的增量流数据,每次更新历史数据集时都需要重新构建预测模型,消耗了大量计算资源和运行时间,为此提出一种基于改进在线顺序极限学习机的交通流预测模型(IOS-ELM),通过构建新增数据的增强特征映射关系,生成交通流动态更新特征表示空间,实现短时交通流预测模型的动态更新。利用长沙市远大一路交通流数据评估该模型,实验结果表明,IOS-ELM模型在NRMSE和MAPE的预测性能上均超过其他基准预测模型(MLP、ELM、OS-ELM和SVR),同时模型的预测耗时较小,可以保证一定实时性,满足城市道路交通流的实时准确预测的需求。

关键词： 变分模态分解   粒子群优化算法   核函数   多核极限学习机   短期负荷预测  

摘要： 为提高短期负荷预测精度,解决核极限学习机单一核函数难以适应负荷多数据特征的问题,提出了一种基于变分模态分解与粒子群优化的多核极限学习机模型。该模型采用变分模态分解技术将原始负荷序列分解为具有不同特征频率的子序列,并对每个子序列建立预测模型。负荷预测模型采用粒子群优化的多核极限学习机,其使用混合核函数代替单一的核函数,使其在不同的参数下不仅有良好的局部搜索能力,同时也加强了全局搜索能力。实验表明,该模型拥有更好的回归精度和泛化能力,能够得到更精确的预测结果。

关键词： 实体经济   融资规模   预测   极限学习机  

摘要： 极限学习机调整的参数少,计算难度低,学习速度快,泛化能力强。运用极限学习机对我国社会融资增量进行了预测,取得了良好的效果,模型平均预测误差仅为2.25636×10^(-5)%,比BP神经网络的平均预测误差0.12774%减小了100%,相关系数R;=1,实现了完全拟合。由模型得到了2021~2025年我国社会融资规模的预测值,这一预测结果也有较高的可信度。

关键词： 滑坡易发性预测   不确定性分析   主控因子识别   支持向量机   随机森林  

摘要： 不同机器学习预测滑坡易发性的建模过程及其不确定性有所差异,另外如何有效识别滑坡易发性的主控因子意义重大。针对上述问题,以支持向量机(support vector machine,简称SVM)和随机森林(random forest,简称RF)为例探讨了基于机器学习的滑坡易发性预测及其不确定性,创新地提出了“权重均值法”来综合计算出更准确的滑坡主控因子。首先获取陕西省延长县滑坡编录和10类基础环境因子,将因子频率比值作为SVM和RF的输入变量;再将滑坡与随机选择的非滑坡样本划分为训练集和测试集,用训练好的机器学习预测出滑坡易发性并制图;最后用受试者工作曲线、均值和标准差等来评估建模不确定性,并计算滑坡主控因子。结果表明:①机器学习能有效预测出区域滑坡易发性,RF预测的滑坡易发性精度高于SVM,而其不确定性低于SVM,但两者的易发性分布规律整体相似;②权重均值法计算出延长县滑坡主控因子依次是坡度、高程和岩性。实例分析和文献综述显示RF模型相较于其他机器学习模型属于可靠性较高的易发性模型。

关键词： 电力需求预测   极限学习机   智能优化   珠三角地区   灰狼优化算法  

摘要： 考虑目前对地区电力需求预测研究甚少且预测模型所存在的不足,提出了一种基于灰狼优化算法(grey wolf optimization,GWO)智能优化极限学习机(extreme learning machine,ELM)的智能极限学习机电力需求预测模型。首先,对所用数据(影响因素数据、电力消费量)进行归一化处理,降低由数据差异造成的影响;其次,利用灰狼优化算法对ELM参数(输入权值、输出阈值)进行智能寻优;最后,以影响因素作为预测模型的输入,智能寻优的结果作为ELM参数,输出珠三角地区电力需求预测量。算例分析表明,所提出的预测模型比基于标准极限学习机预测模型更具有可靠性和稳定性,并且该模型对不同场景、不同预测类型都具有广泛的应用性。

关键词： 滑坡易发性预测   线状环境因子   空间密度   机器学习   地理信息系统  

摘要： 对于滑坡易发性预测中的水系、公路和断层等线状环境因子,现有研究大多采用缓冲分析提取距离线状因子的距离。但缓冲分析得到的线距离属于离散型变量,带有大小不等的随机波动性且对点或线要素的误差较为敏感,导致滑坡易发性建模精度下降。提出了使用水系和公路的空间密度等连续型变量改进线状环境因子的适宜性。以江西省安远县为例,选取高程、地形起伏度、距水系和公路距离等14个环境因子(原始因子),再将距水系和公路距离2个线状因子改进为水系密度和公路密度(改进因子);之后采用逻辑回归、多层感知器、支持向量机和C5.0决策树等机器学习模型,分别构建了基于原始因子和改进因子的机器学习模型以预测滑坡易发性;最后利用ROC曲线和易发性指数分布特征等来研究建模规律。结果表明:①改进因子机器学习预测精度均高于原始因子机器学习模型,表明空间密度对于易发性预测的适宜性更好;②在4类机器学习模型中C5.0模型对于滑坡易发性预测性能最好,其次是SVM、MLP和LR;③水系和公路两类环境因子的重要性较高且使用改进因子机器学习后这两类环境因子重要性排名依然非常靠前。

关键词： 发电量预测   多元宇宙优化算法   鲸鱼优化算法   内核极限学习机  

摘要： 为提高短期风力发电功率预测的精度,经过对比选择了内核极限学习机(Kernel Extreme Learning Machine,KELM)预测模型的原始模型,对该模型的内部参数进行研究,选择了多元宇宙优化算法(Multi-Verse Optimizer,MVO)对其参数进行优化。还提出用鲸鱼优化算法(Whale Optimization Algorithm,WOA)来给MOV初始化种群,以使MVO算法更不容易陷入局部最优,从而有着更好的求解能力。通过此预测模型进行发电功率预测,获得一个均方根误差(RMSE)值为0.0032、平均预测误差为0.00033的预测结果,最后进行对比实验验证其具有较好的预测效果。

关键词： 滑坡   位移预测   移动平均法   蚁群算法   极限学习机  

摘要： 采用高精度的优化算法对于提高滑坡位移预测模型的准确性具有重要意义,然而已有文献中很少对多种优化算法进行对比研究。以三峡库区的八字门滑坡为例,以极限学习机(ELM)理论为基础进行滑坡位移预测,同时运用多种算法对建立模型过程中的参数选择进行优化以期提高预测效果。为提高预测精度,以移动平均法为基础,将滑坡位移分解为趋势项和周期项,趋势项位移使用多项式函数进行预测,周期项位移使用MATLAB自编程序的极限学习机模型进行预测,两项预测值相加即可得到最终的累计位移预测值。计算结果表明:单一的ELM模型能够较为准确地预测具有阶跃式曲线的滑坡累计位移,预测结果的平均误差为23.5 mm,拟合优度为0.973。与粒子群算法和遗传算法相比,蚁群算法(ACO)在计算用时和优化效果上更优,蚁群算法优化极限学习机模型对位移的预测精度也最高,平均误差为10.1 mm,拟合优度为0.998,可在类似滑坡的位移预测研究中进行推广。

关键词： 分布式系统   并行学习   分层极限学习机   大数据   质量预测  

摘要： 考虑分布式系统质量预测中的大数据处理问题,提出一种基于分布式并行分层极限学习机(distributed parallel hierarchical extreme learning machine, dp-HELM)的大数据多模式质量预测模型。根据Map-Reduce框架,将高效的极限学习机算法转化为分布式并行建模形式。由于分层极限学习机(hierarchical extreme learning machine, HELM)的深度学习网络结构在特征上具备的预测精度优势,结合深层隐藏层的ELM自动编码器,进一步开发了dp-HELM。通过dp-ELM和dp-HELM以同步并行方式进一步训练分布式并行K均值划分的过程模式,利用贝叶斯模型融合技术来集成用于在线预测的局部模型。将所提出的预测模型应用于预脱碳装置中残留的二氧化碳含量估算,实验结果表明了该方法的有效性与可行性。