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。

关键词： 短期电力负荷预测   极限学习机   灰狼优化算法   粒子群优化算法   Tent混沌映射   格拉姆施密特正交化   皮尔逊相关性分析  

摘要： 针对负荷预测过程中特征量难以确定以及极限学习机(ELM)存在因随机产生的初始权值和阈值导致输出稳定性低的问题,提出了基于格拉姆施密特正交化与皮尔逊相关性分析相结合的特征选择方法(GSO-PCA)和改进灰狼算法(IGWO)优化ELM的短期电力负荷预测模型(IGWO-ELM)。对两种不同类型的特征分别使用GSO算法和PCA进行优选,并根据平均绝对百分比误差(MAPE)确定最优特征集,与传统的经验特征选择、最大互信息系数特征选择、随机森林特征选择比较,GSO-PCA特征选择的MAPE分别降低了1.3%、0.55%和0.83%,验证了其优越性;将Tent混沌映射和粒子群优化算法(PSO)融入到灰狼优化算法中,得到IGWO,并利用两种典型的测试函数对IGWO性能进行测试,证明了其具有更强的寻优能力;使用IGWO算法对ELM的初始权值和阈值进行动态优化,建立IGWO-ELM短期负荷预测模型。将拟合优度检验系数、平均绝对误差、均方根误差和MAPE作为评价指标,结合实例分析,与传统的模型进行比较。仿真结果表明:所提预测模型得到的4个评价指标分别为0.9978、54.90 kW、72.02 kW和1.52%,明显优于其他模型,验证了所提模型的有效性和优越性。

关键词： 挡土墙   安全性   机器学习   极限学习机  

摘要： 挡土墙安全性能是水利工程设计和运行环节都需关注的重点问题,常规挡土墙设计存在过于保守的缺陷。墙体形态、工程材料、地基承载能力、墙后填土力学参数等对挡土墙整体安全性能影响错综复杂。文中以仰斜式新型挡土墙为例,基于前人计算的挡土墙相关安全系数结果,采用优化极限学习机,预测了相关安全系数。结果表明,优化后的极限学习机能够较好地反映多种影响因素与挡土墙安全性能之间的映射关系,表现出较好的泛化性,可为快速精确进行挡土墙安全性能评估提供参考。

关键词： 安全工程   腐蚀速度   极限学习机   隐含层节点   预测精度  

摘要： 为了准确预测海洋环境下钢材的腐蚀速度,基于极限学习机的思想建立了腐蚀速度预测模型。将极限学习机的思想引入海洋环境3C钢腐蚀速度预测中,基于3C钢在不同海水环境因素下的腐蚀速率试验数据,建立了极限学习机模型并预测了不同海水环境下3C钢的腐蚀速度,分析了隐含层节点数对预测结果的影响,探讨了极限学习机模型与多元线性回归模型预测结果的差异。结果表明:极限学习机的预测结果与试验结果吻合程度较好,平均相对误差可控制在2%以内,其预测精度高于多元线性回归模型;隐含层节点数对预测结果具有较大影响,当隐含层节点数增加时,预测所得的平均相对误差出现了先降低后升高的变化趋势;极限学习机在学习速度和泛化能力方面具有较强的优势,可将其应用于海洋环境下3C钢腐蚀速度的预测中。

关键词： 风电功率预测   粒子群优化   核极限学习机   径向基函数神经网络  

摘要： 风速、风向的随机性导致风电场功率具有很大波动,对风电功率的精确预测在提高电网运行能力,增强电网接收风电能力和适时安排风电场检修计划等方面提供重要依据。提出了一种粒子群优化核极限学习机(PSO-KELM)算法;对风电机组SCADA数据进行预处理,补充和纠正异常数据;针对极限学习机的复共线性问题提出基于核函数的改进极限学习机,避免了极限学习机输出结果的随机性;采用粒子群优化算法对KELM核函数中的惩罚因子和径向参数值进行优化,建立了基于粒子群优化的极限学习机模型。与BPNN与RBFNN等其他方法相比,真实风电场数据验证了该模型的预测精度。

关键词： 表面肌电信号   极限学习机   多特征提取   关节角度  

摘要： 为判断下肢障碍患者的运动意图,通过外骨骼进行康复训练,分析表面肌电信号与下肢关节运动的关系。提取表面肌电信号的均方根(root mean square,RMS)、绝对值均值(mean absolute value,MAV)、波形长度(waveform length,WL)和方差(variance,VAR)作为特征输入信号,采用极限学习机(extreme learning machine,ELM)建立表面肌电信号与下肢关节角度之间的映射关系;对输出结果进行优化滤波以降低模型的误差,实现对下肢膝关节角度连续变化的预测。与传统的反向传播(back propagation,BP)神经网络、径向基神经网络预测结果进行对比,结果证明:极限学习机在通过表面肌电信号预测下肢关节角度变化中有更高的精度。

关键词： 短期需水量预测   核极限学习机   组合模型   傅里叶级数   残差修正  

摘要： 为满足给水系统日常管理对短期需水量预测时效的需求,建立了所需训练时间短的核极限学习机模型(kernel-based extreme learning machine,KELM);从提升预测精度的角度考虑,构造了以傅里叶级数为理论依据的残差修正模块(Fourier series,FS),利用该模块对需水量初始预测值与观测值之间的差值进行建模,完成对初始预测值的残差修正,将该模块叠加于KELM模型上形成了组合预测模型(KELM+FS)。通过实际数据对模型进行性能测试,结果表明:KELM模型能够与人工神经网络模型、支持向量回归模型产生相似的预测精度,但预测时间仅为二者平均值的5%左右;组合模型KELM+FS在未显著增加预测时间的前提下,比KELM模型相对预测精度提升了12%左右。在用于短期需水量预测时,无论单一模型KELM还是组合模型KELM+FS都能达到有效提升预测效率的目的。

关键词： 电动汽车   核极限学习机(KELM)   充电负荷   蒙特卡洛方法   鲸鱼优化算法(WOA)  

摘要： 电动汽车充电行为的负载会对电网产生影响,针对现有方法对电动汽车充电负荷预测精确度不足的问题,构建了一种基于鲸鱼优化算法的核极限学习机(WOA-KELM)电动汽车充电负荷预测模型。该模型采用蒙特卡洛方法,考虑电动汽车保有量、充电模式、起始充电时刻和起始荷电量,进行仿真获得一周电动汽车充电负荷,并利用WOA-KELM预测充电负荷。实验表明:该预测模型能全面考虑充电负荷影响因素,有效提高电动汽车充电负荷预测的准确性,为电网的优化运行和规划提供了参考。

关键词： 核极限学习机   麻雀搜索算法   滑坡位移预测   小波变换   全球定位系统  

摘要： 传统的位移预测模型需要大量数据作为原始训练样本,一定程度上限制了预测模型的应用。为在有限的位移监测数据下进一步提高预测精度,针对金沙江沿岸某长期变形的滑坡体,采用麻雀搜索算法(sparrow search algorithm,SSA),结合核极限学习机算法(kernel-based extreme learning machine,KELM)算法,对滑坡的位移变化提出一种新的多变量位移预测方法,并与传统的支持向量机(support vector machine,SVM)进行对比,结果显示改进的SSA-KELM耦合滑坡预测模型比SVM模型预测精度更高,对金沙江沿岸地区的滑坡具有良好的位移预测效果。

关键词： 风功率预测   核极限学习机   经验小波变换   量子粒子群算法  

摘要： 针对传统短期风功率预测模型在功率变化较大情况下的预测精度不高问题,提出了一种基于信号分解和量子粒子群算法优化核极限学习机的短期风功率预测模型。首先利用经验小波变换将原始风功率序列分解成为若干个模态分量,再利用核极限学习机建立每个模态分量的预测模型,为了提高模型预测精度,采用量子粒子群算法优化核极限学习机参数,最后将每个模态分量预测值相加得到最终的功率预测结果。以实际风电场发电功率为例,并与其他预测模型进行比较,结果表明所提模型具有较高的预测精度。