关键词： 负荷预测   时间序列分析   变分模态分解   极限学习机   智能电网  

摘要： 台区负荷数据不仅作为时序数据呈现自相关性,还易受台区环境因素影响呈现非平稳性,因此预测精度不仅与预测模型结构有关,还与输入数据的时序特征有关。为了提高台区负荷的预测精度,提出一种基于混沌时序分析与核极限学习机的短期负荷多粒度预测模型。针对负荷数据的非平稳特征,通过变分模态分解算法将非平稳的原始信号转换成一系列相对平稳的子信号;针对负荷数据中的自相关特征,通过混沌时序分析方法,求解各个模态输入预测模型时的时间窗大小;构建多粒度核极限学习机预测模型,解决负荷数据中非平稳、自相关性对负荷预测的不利影响,提高模型的预测精度。结果表明,负荷的预测精度受输入数据时间窗大小的影响,不同模态分量的最佳时间窗的大小不同。采用混沌相时序分析的方法评估各个模态分量的最佳时间窗大小,可以有效提升核极限学习机的预测精度。

关键词： 粒子群算法   极限学习机   短路电流   峰值预测   灰色绝对关联度   适应度函数  

摘要： 针对传统极限学习机预测模型精度低和稳定性能差的问题,提出了一种利用粒子群算法优化极限学习机的短路电流峰值预测模型。建立超高压输电线路仿真模型,分析短路故障波形特点,获取全相角短路故障电流历史数据,利用平均相对误差、均方根误差、灰色绝对关联度三种精度检验法作为粒子群算法的适应度函数,构建粒子群算法与极限学习机算法相结合的电流预测模型。实验结果表明,以灰色绝对关联度作为适应度函数的粒子群优化极限学习机算法,对短路电流峰值预测精度较高、速度较快,当故障点位置未知时,采用粒子群优化极限学习机算法依然可以准确预测短路电流峰值,提升了算法应用的实际意义,为超、特高压线路快速限制、消除短路故障奠定理论基础。

关键词： 电力负荷预测   极限学习机   模态分解   人工蜂群算法  

摘要： 针对用电功率负荷序列随机性强、负荷预测准确度不足等问题,提出一种基于人工蜂群算法(ABC)优化极限学习机(ELM)的用电功率预测模型。将原始电力负荷序列进行模态平稳化处理,得到包含不同时间尺度的局部特征信号的本征模函数分量和残差分量;利用人工蜂群算法优化极限学习机模型学习各模态分量的时序规律并进行分量预测,将各模态分量预测值融合叠加得到最终预测结果。实验结果表明,所提出的预测模型能够对用电功率作出准确预测,具有更好的泛化性能和更高的预测准确度。

关键词： 黑方台滑坡   北斗   位移计   易发性评价   滑坡位移预测   随机森林   循环神经网络  

摘要： 滑坡当前在我国是破坏自然环境、危及人民生命财产安全最主要的地质灾害之一。建立科学高效的滑坡易发性评价体系与位移高精度预测方法,对于滑坡灾害防灾减灾具有重大的实际意义。本文以我国滑坡灾害最为典型的甘肃黑方台滑坡体为例,基于多源数据,利用机器学习法在数据探索潜在规律的优势,构建了黑方台区域滑坡灾害易发性评价体系,完成了易发性评价专题地图,并进一步基于高精度北斗及位移计监测数据针对党川5#、6#典型滑坡体构建了高精度滑坡位移预测模型与基于多因子的回归预测模型。研究成果可为我国滑坡灾害防灾减灾体系建设提供有价值的理论参考。本文主要工作与获得的主要结论如下:(1)基于研究域地理信息数据及地质环境条件选取了9种评价因子,分别构建Bagging、Ada Boost、随机森林三种模型对黑方台进行滑坡灾害易发性评价,并利用总体分类精度、Kappa系数等多种评价指标对模型进行精度评定,最后对评价因子进行重要性排序。结果表明:随机森林的总体分类精度能达到0.99,高易发区域与历史滑坡位置高度一致,模型适用于黑方台区域滑坡灾害易发性评价。(2)基于黑方台党川5#、6#滑坡体的北斗/GNSS和位移计监测数据,分别构建GA-Simple RNN(Simple Recurrent Neural Network Optimized by Genetic Algorithm)、GA-LSTM(Long Short-Term Memory Optimized by Genetic Algorithm)、GA-GRU(Gated Recurrent Unit Optimized by Genetic Algorithm)高精度滑坡位移预测模型,同时与普通循环神经网络及卷积双向循环神经网络进行了对比分析。研究表明:遗传算法优化后的循环神经网络可显著提升预测性能,特别是GA-GRU模型预测精度最高,更适用于滑坡体长时序位移的高精度预测。(3)基于爬虫技术采集天气数据,选取每日最高温度、每日最低温度、天气、风力、灌溉量、降雨量共6种变量作为诱导滑坡失稳的影响因子,分别建立Bagging、Adaboost、随机森林模型对黑方台党川6#、5#滑坡位移计监测值进行预测。结果表明:随机森林回归预测模型的精度很高,适合于顾及多因子的滑坡位移预测。

关键词： 短时交通流预测   鲸鱼算法   极限学习机   离散小波变换   CNN-LSTM  

摘要： 随着中国城市化速度越来越快,智能交通系统作为物联网、人工智能、大数据等技术在交通领域的重要应用,也逐渐成为缓解城市交通拥塞、提升出行效率的重要手段。准确高效的短时交通流的预测在智能交通系统的构建中扮演着关键的角色。由于交通流容易受到许多因素,如天气、道路情况等影响,数据往往呈现出相当的随机性和不确定性。如何高效、稳定、精确地进行短时交通流的预测仍然是一项具有挑战性的工作。交通流模型预测精度的提升受到许多因素的影响,其中较为典型的影响因素有两个:一是预测模型的参数选择是否最优,二是交通流数据容易受到噪声的干扰,从而影响模型的预测性能。本文具体工作如下:针对交通流预测模型的超参数选择难以达到最优的问题,本文提出改进鲸鱼算法(IWOA)优化极限学习机,从而改善模型的预测效果。极限学习机(ELM)是基于前馈神经网络的训练算法,由于它计算复杂度低,预测精度高,因此在交通流的预测中得到了广泛的应用。为提升ELM的预测精度,本文引入了改进的智能算法鲸鱼算法(IWOA)来确定ELM的最优参数,并与原有的鲸鱼算法(WOA)和引力搜索算法(GSA)进行对比,实验结果表明改进鲸鱼算法(IWOA)确定ELM最优参数的能力更强,预测精度更高。针对交通流数据容易受到噪声的干扰,从而影响模型的预测精度的问题,本文从两个角度去除噪声的影响,一是从数据集的角度进行噪声去除,二是从模型的角度引入了最大协同熵作为损失函数以过滤非高斯噪声,并提出了一种利用卷积神经网络(CNN)的特征提取能力和长短时记忆神经网络(LSTM)处理时序关系的CNN-LSTM预测方法。实验结果选择了六种基线模型进行对比,并给出了去噪前后的预测精度,结果证明该方法能有效去除噪声的影响,从而提升预测的精度。

关键词： 风电功率预测   异常数据检测   变分模态分解   核极限学习机   飞蛾火焰算法  

摘要： 风力发电在能源清洁低碳转型中发挥着重要作用,但是大规模、高比例的风电并网,将给电力系统带来诸多挑战,为了促进风电的高效消纳,保证电力系统的安全稳定运行,必须准确预测风电功率,针对这一问题,本文提出一种结合数据处理、模型参数优化的组合风电功率预测方法,主要开展了以下几个方面的研究:分析不同类型的异常数据分布特征,提出一种结合局部异常因子和孤立森林算法的风电功率异常数据检测方法,并用实际数据验证了该方法可行并有较好的检测效果。针对风电功率时间序列的强波动、非平稳特点,使用新型信号分解方法——变分模态分解对原始序列平滑、去噪,改善数据质量。仿真信号和实际风电功率序列的分解实验表明该方法较传统信号分解方法具有一定优越性。提出了一种融合不同特性核函数的多核极限学习机预测模型,使用自适应惯性权重和反向学习策略改进的飞蛾火焰算法寻优多核函数的参数,建立基于改进多核极限学习机的风电功率预测模型。使用风电场实测数据对建立的预测模型进行实例分析,并使用基于BP神经网络、极限学习机、经验模态分解、蜻蜓算法优化参数等方案进行对比预测,实例分析结果表明本文所用方法较其他对比方法的预测精度更高,模型收敛更快,该方法更适用于风电功率预测。

关键词： 水动力滑坡   位移预测   阶跃变形   深度学习   时间序列   经验模态分解  

摘要： 滑坡作为占比最重的地质灾害之一,每年造成大量人员伤亡和经济损失。三峡库区水动力滑坡分布广泛,采取有效的手段监测和预测此类滑坡对防灾减灾工作而言意义重大。通过统计分析典型水动力滑坡的监测资料,发现非稳定状态的滑坡中阶跃型的位移曲线占比大,阶跃型位移的预测研究是水动力滑坡预测问题的关键。为了准确预测阶跃型位移,对多个深度学习模型进行了比选研究,最终选择门控循环单元(Gated Recurrent Unit,GRU)神经网络动态预测阶跃型位移,并结合时间序列加法理论、经验模态分解(Empirical Mode Decomposition,EMD)和误差修正(Error Correction,EC)等方法优化了阶跃型位移的预测流程,提出EMD-GRU-EC混合预测模型。以白水河滑坡为研究对象,将累计位移分解成周期项和趋势项位移分别预测,选取多个影响因子作为周期项位移的输入,最终实现了阶跃型位移的准确预测。本文主要研究内容如下:(1)系统地总结了水动力滑坡的形成原因;调查典型水动力滑坡资料,依据累计位移曲线分类,统计了不同状态的水动力滑坡的位移曲线类型,并针对具有阶跃型特征的滑坡进行变形监测分析。(2)开展深度学习模型比选研究,对比结果显示GRU模型适用于阶跃型位移的预测;在此基础上,借助时间序列理论将阶跃型位移的平稳变化和阶跃突变特征分解表达为趋势项和周期项位移;通过对比验证,选择EMD方法分离阶跃型位移的趋势项,引入误差修正提升周期项的预测精度,最终提出了适合阶跃型位移预测的模型。(3)选取白水河滑坡作为研究对象,分析降雨、库水位等因素不同尺度的统计量与阶跃型位移的关系。结果表明,考虑了滞后效应的累计降雨量、最大连续降雨量、库水位高程、库水位变化速率、滑坡位移增量和位移增长速率等影响因子,可以很好地表征降雨、库水位、滑坡变形状态与累计位移阶跃型特征的关系。(4)将混合模型应用到白水河滑坡阶跃型位移的预测当中。应用结果证实,EMD可用于白水河滑坡阶跃型位移的分解,GRU模型对趋势项和周期项位移预测表现优异,分解集成和误差修正理论的应用有效提升了GRU模型的预测精度。本文提出的EMDGRU-EC混合预测模型可以为三峡库区水动力滑坡的预报提供新途径。

关键词： 滑坡预测   机器学习   贝叶斯优化   Stacking算法   模型融合  

摘要： 我国国土面积辽阔,自然环境和气候条件复杂多样,地质灾害频繁发生,给人民生命财产安全和社会经济发展造成了极大危害。调查数据显示,滑坡在所有地质灾害中占比高达70%以上,并具有危害性强、治理困难和分布地域广泛等特点,因此如何有效地进行滑坡地质灾害预测、为滑坡地质灾害的防治工作提供科学依据具有重要意义。本文以陕西省宁强县为研究区域,开展对滑坡地质灾害预测模型的研究,具体的研究内容和成果如下:(1)首先通过分析研究区地质环境和滑坡形成条件,选取了滑坡地质灾害的主要影响因素。然后基于GIS技术对研究区Landsat8遥感影像、高程数字模型等数据进行解析,提取了 18种滑坡影响因子数据,并采用随机森林和Min-Max法处理了数据中的缺失值以及量纲差异。最后通过主成分分析法和Pearson相关系数法得到了权重占比较大且线性相关性较弱的10种滑坡影响因子。(2)利用支持向量机、逻辑回归、随机森林和Adaboost机器学习算法分别构建了四种滑坡地质灾害预测模型,并采用贝叶斯优化算法对模型中的重要超参数进行了优化。将优化后的模型在滑坡数据集上进行实验,结果表明,除多层感知器神经网络模型外,其余四种模型的Accuracy、F1 Score和AUC均达到了 0.8以上,为下一步的模型融合奠定了基础。(3)针对传统Stacking模型融合算法忽略了特征变量与输出值之间的关联性和基学习器学习效果的差异性问题,提出了结合次级学习层加入原始特征和精度反馈加权改进的Stacking算法,并以此将支持向量机、逻辑回归、随机森林和Adaboost模型进行融合,构建了融合型滑坡地质灾害预测模型。实验结果表明,与其他模型相比,融合型滑坡地质灾害预测模型的Accuracy、F1 Score和AUC均有明显提升,验证了改进后Stacking算法的有效性以及对研究区滑坡地质灾害预测的适用性。(4)基于融合型滑坡地质灾害预测模型,开发了集气象监测、环境展示、滑坡预测和数据管理功能为一体的滑坡地质灾害预测系统,提升了研究区气象监测的及时性、环境展示的直观性、滑坡预测的科学性和数据管理的便捷性。

关键词： 甲肝发病人数预测   极限学习机   改进蝴蝶优化算法   集合经验模态分解  

摘要： 甲肝有着潜伏期长且传染性强的特征,甲肝发病人数的预测研究有助于提前了解到发病人数的变化趋势,对于国家制定防控措施有着重要的参考价值。影响甲肝发病人数的因素众多,序列呈现非线性非平稳性,这使得传统的预测方法精准度不高。近年来群智能算法在众多领域得到应用,其具有较强的全局优化特性、调节参数少等优势,因此本文使用群智能算法对极限学习机(ELM)的参数进行优化,并结合“先分解后组合”的思想对甲肝发病人数进行预测,具体工作如下:(1)针对蝴蝶优化算法(BOA)在后期寻优速度慢,易陷入局部最优的不足,本文提出一种改进的蝴蝶优化算法(IBOA)。IBOA在初始化阶段采用Cubic混沌映射产生种群中个体位置以增强种群多样性,在寻优阶段对个体采用动态权重增强全局寻优能力和加快收敛速度,并使用折射反向学习进一步增强个体跳出局部最优的能力。为验证IBOA的寻优速度和精度将其在多个基准函数上测试,在测试函数的维度分别为30和100维时,IBOA相较于BOA、HPSOBOA、PSO、WOA、以及MPA收敛速度更快、寻优能力更稳定。(2)针对ELM随机给定输入权值和阈值的不足,本文将改进的蝴蝶优化算法对ELM的输入权值和阈值参数优化从而建立IBOA-ELM预测模型。本文选取2007至2019年全国甲肝月度发病数用于模型训练,2020年月度发病数据用于验证模型的性能。预测结果表明,对甲肝发病人数序列训练过程中使用全局搜索能力强的IBOA寻找的ELM参数使测试集的预测精度更高,IBOA-ELM模型预测的MAPE为5.99%,相较于BOA-ELM、ELM以及ARIMA模型的预测精度更高。(3)针对甲肝发病人数序列的非线性及随机波动性,本文提出一种集合经验模态分解(EEMD)方法与IBOA-ELM相结合的EEMD-IBOA-ELM预测模型。EEMD方法根据序列的内在特征将其分解为有着不同时间尺度分布规律的多个分量,从而降低了序列的非平稳性和复杂性有利于预测模型的建立,ARIMA、ELM、BOA-ELM以及IBOA-ELM模型结合EEMD后预测精度都有所提高,其中EEMD-IBOA-ELM模型能够更精确地捕捉序列的非线性特征,在所有对比模型中预测精度最高,将预测的MAPE降至3.14%。

关键词： 甲肝发病人数预测   极限学习机   改进蝴蝶优化算法   集合经验模态分解  

摘要： 甲肝有着潜伏期长且传染性强的特征，甲肝发病人数的预测研究有助于提前了解到发病人数的变化趋势，对于国家制定防控措施有着重要的参考价值。影响甲肝发病人数的因素众多，序列呈现非线性非平稳性，这使得传统的预测方法精准度不高。近年来群智能算法在众多领域得到应用，其具有较强的全局优化特性、调节参数少等优势，因此本文使用群智能算法对极限学习机（ELM）的参数进行优化，并结合“先分解后组合”的思想对甲肝发病人数进行预测，具体工作如下：　　（1）针对蝴蝶优化算法（BOA）在后期寻优速度慢，易陷入局部最优的不足，本文提出一种改进的蝴蝶优化算法（IBOA）。IBOA在初始化阶段采用Cubic混沌映射产生种群中个体位置以增强种群多样性，在寻优阶段对个体采用动态权重增强全局寻优能力和加快收敛速度，并使用折射反向学习进一步增强个体跳出局部最优的能力。为验证IBOA的寻优速度和精度将其在多个基准函数上测试，在测试函数的维度分别为30和100维时，IBOA相较于BOA、HPSOBOA、PSO、WOA、以及MPA收敛速度更快、寻优能力更稳定。　　（2）针对ELM随机给定输入权值和阈值的不足，本文将改进的蝴蝶优化算法对ELM的输入权值和阈值参数优化从而建立IBOA-ELM预测模型。本文选取2007至2019年全国甲肝月度发病数用于模型训练，2020年月度发病数据用于验证模型的性能。预测结果表明，对甲肝发病人数序列训练过程中使用全局搜索能力强的IBOA寻找的ELM参数使测试集的预测精度更高，IBOA-ELM模型预测的MAPE为5.99%，相较于BOA-ELM、ELM以及ARIMA模型的预测精度更高。　　（3）针对甲肝发病人数序列的非线性及随机波动性，本文提出一种集合经验模态分解（EEMD）方法与IBOA-ELM相结合的EEMD-IBOA-ELM预测模型。EEMD方法根据序列的内在特征将其分解为有着不同时间尺度分布规律的多个分量，从而降低了序列的非平稳性和复杂性有利于预测模型的建立，ARIMA、ELM、BOA-ELM以及IBOA-ELM模型结合EEMD后预测精度都有所提高，其中EEMD-IBOA-ELM模型能够更精确地捕捉序列的非线性特征，在所有对比模型中预测精度最高，将预测的MAPE降至3.14%。