关键词： 超短期光伏功率预测   概念漂移   极限学习机   在线预测   集成经验模态分解  

摘要： 随着能源问题日趋严重,各国都在改变本国的能源消费结构,提高可再生能源比例。太阳能是一种备受关注的可再生能源,光伏发电技术是太阳能最有效的利用形式。然而,光伏功率具有随机波动的特点,随着接入电网比例的增长,会影响电网电压和潮流的稳定性。通过预测光伏功率,可以保证光伏电站并网时供电侧和负荷侧的功率平衡,减少光伏发电波动性对电网的影响。人工智能的方法已经广泛应用到光伏功率预测领域,并取得了较好的效果。但这些方法普遍采用离线预测的方式,很难较好地适应光伏发电实时动态变化的特性。尤其在发生概念漂移现象的时候,光伏数据的分布发生了变化,离线预测的精度会严重下降。而在线预测方法含有模型更新策略能及时更新预测模型,能较好的适应光伏数据分布的变化。因此本文设计了一种基于极限学习机的超短期光伏功率在线预测方法。首先,分析了辐照度、温度、相对湿度等气象因素对光伏功率的影响,从而确定模型的输入,避免了不合适的气象特征输入对预测结果的影响。针对光伏功率数据的波动性,采用集成经验模态分解算法将光伏功率数据分解成若干子分量,并按照频率不同分为高频分量和低频分量。针对变化趋势较为平缓的低频分量,在极限学习机模型的基础上增加滑动窗口模块、缓冲模块和在线训练终止模块,形成在线预测方法;针对变化趋势较为剧烈的高频分量,采用对快速变化信号有较好的处理能力的在线循环极限学习机模型预测。其次,以具体数据集为例,将本文所设计方法和其他离线光伏预测模型对比,结果显示本文所设计的模型对概念漂移现象有较好的处理能力;与其他在线光伏预测模型对比,结果显示本文所设计的模型具有更高的预测精度。最后,基于上述研究开发超短期光伏功率预测软件,软件以LabVIEW为框架,预测程序采用Python编写,数据存放在MySQL数据库中。软件设计分为四层,依次为数据读取层、数据存储层、业务逻辑层和界面显示层,其中业务逻辑层作为本软件的核心包含光伏发电功率预测模块和历史记录查询模块。该软件现已成功部署到综合能源系统仿真平台,验证了软件的功能。

关键词： 森林火灾   预测模型   气象因子   地形因子   天气指数系统   极限学习机   粒子群算法  

摘要： 森林为人类带来了许多难以估量的效益，具有净化空气、缓解温室效应等作用，但森林火灾的频繁发生，使得森林生态系统为人类和其他物种提供栖息地的能力受到了威胁。森林火灾是影响森林生态系统的主要因素，其造成的人员伤亡和财产损失不计其数。针对气象变化产生的森林火灾，本文主要运用一些统计和机器学习的方法建立模型来预测森林火灾是否发生，以避免此类事故的发生。若森林火灾已经发生，本文希望可以通过预测其过火面积，为相关部门的防范措施提供合理依据，更大程度上减少人员伤亡及财产损失。　　森林火灾方面的研究主要是从气象因子、地形因子等角度出发对森林火灾的发生及森林火险等级进行预测，本文在进行预测时，同时考虑了气象因子和天气指数系统各组成部分对森林火灾的影响。因此本文的主要研究内容有：　　（1）在阿尔及利亚森林火灾数据集上用气象因子作为自变量，建立不同的模型来预测天气指数系统各组成部分，选取最优模型，在葡萄牙东北部地区蒙特西尼奥公园数据集上对模型的有效性及可行性进行验证，用最优模型对加拿大BC省Montane Cordillera地区的天气指数系统各组成部分进行预测，结果表明组合模型的预测效果最好。　　（2）建立森林火灾是否发生的分类模型。自变量的选取方式为单独考虑气象因子、天气指数系统各组成部分、同时考虑气象因子和天气指数系统各组成部分，建立不同的模型进行预测，结果表明同时考虑气象因子和天气指数系统各组成部分时，极限学习机预测效果最好。对极限学习机模型进行粒子群参数优化后，模型的预测准确率有所提升。　　（3）当森林火灾发生时，本文建立了关于燃烧面积的回归预测模型，结果表明单独考虑天气指数系统各组成部分时，组合模型的预测效果最好。

关键词： 煤与瓦斯突出预测   拉普拉斯特征映射   改进乌鸦搜索算法   核极限学习机   危险性等级判定  

摘要： 煤与瓦斯突出是煤矿开采过程中发生的一种破坏性极强的地质灾害,突出灾害的发生会严重威胁井下工作人员的安全,甚至对国民经济产生重大影响。因此,对煤与瓦斯突出危险性进行准确预测,保障矿井安全生产具有十分重要的意义。本文针对煤与瓦斯突出预测方法进行了深入研究,研究内容主要从下列方面进行推进:(1)针对高维繁琐的突出数据影响模型计算速度和预测准确性的问题,采用拉普拉斯特征映射算法(LE)对致突因素进行特征提取,去除冗余数据。为验证其有效性,将LE算法与主成分分析法、核主成分分析法和局部线性嵌入法进行预测效果对比,验证了LE算法的优越性。(2)针对KELM网络训练过程中人为盲目选择正规化参数和核函数参数,导致模型分类效果不佳的缺陷。结合乌鸦搜索算法对KELM的相关参数进行优化,提升分类精度。为避免传统乌鸦算法迭代过程中陷入局部最优的不足,引入Tent混沌序列、自适应感知概率、自适应调节步长及布朗运动等多个策略对乌鸦算法进行改进,并与粒子群算法(PSO)、蝗虫优化算法(GOA)和乌鸦搜索算法(CSA)的进行性能对比,验证ICSA算法的优越性。最后以LE算法维度约简后的数据作为模型的输入,建立ICSA算法优化KELM的煤与瓦斯突出模型。(3)为更进一步说明ICSA-KELM煤与瓦斯突出预测模型的优越性能。首先验证LE算法特征提取后的KELM模型精度较未特征提取前有所提升,然后以特征提取后的数据作为KELM的输入并与ELM、SVM和RVM三种基准模型进行对比,验证了KELM模型的稳定性与准确性;再将ICSA-KELM模型与CSA-KELM模型、PSO-KELM模型和GOA-KELM模型进行对比分析,结果表明,本文模型能有效提高煤与瓦斯突出的预测准确率;最后对比四种算法的收敛时间,验证了ICSA-KELM模型能快速达到收敛状态且准确率较高。因此,从预测准确率和收敛时间等角度验证了本文所提模型的优势,能够为煤与瓦斯突出灾害防治提供支撑。该论文有图26幅,表14个,参考文献80篇。

关键词： 风电功率预测   聚类算法   正则化极限学习机   粒子群算法   区间预测  

摘要： 随着全球化石能源储量的不断减少,人类需要一种可再生的清洁能源以满足生产生活的需要。风能具有清洁且储量丰富的特征,近年来受到广泛关注。“十四五”规划实施以来,我国风力发电产业飞速发展。然而,风电具有波动性和随机性的特点,为风电消纳和电网的稳定运行带来挑战。精确可靠的风电功率预测系统可以为电网和发电企业提供安排调度和生产计划的依据,对提高风能利用率,改善“弃风”现象具有重要意义。基于上述背景,本文分别从重构模型的训练样本、提高短期风电功率预测精度、验证风电功率预测的不同技术路线及提高风电功率预测模型的抗干扰性四方面进行研究分析,主要包括以下内容。针对训练样本数过多导致难以对模型进行针对性训练的问题,本文以一座位于土耳其的风力发电机所记录的数据集为例,提出将能够同时处理数值属性和分类属性的K-prototypes聚类算法应用于风电功率预测模型的相似日选取和训练样本重构中,并以Pearson相关系数为指标验证了聚类算法的效果。之后,分别以未经聚类和聚类后的数据作为训练样本训练正则化极限学习机(RELM),并对同一天的风电功率进行预测。结果显示以聚类后数据作为训练样本的样本的RELM模型误差指标较优,验证了所提聚类算法在风电功率预测模型中的有效性。针对正则化极限学习机参数不确定影响预测效果的问题,本文提出将改进权重系数的非线性动态自适应粒子群算法(NDAPSO)应用于对RELM的参数寻优中,结果证明相对传统粒子群算法,NDAPSO算法具有更快的收敛速度和更好的寻优效果。对于寻优过程中可能存在的局部最优问题,本文将Adaboost集成学习算法与KNDAPSO-RELM模型结合,降低了局部最优对预测结果的不利影响,并设置了寻优过程的跳出机制,提高了集成学习模型的训练速度。与包括高斯过程回归(GPR)、随机森林等其它几种模型的误差指标进行对比,验证了本文所提模型的优越性。目前对风电功率预测的研究主要集中在通过历史功率的时间序列预测和通过数值天气预报预测的两种技术路线上。本文对基于时间序列预测的理论基础进行了阐述,验证了用于模型训练的最优时间序列长度,将其预测结果分别与基于精确NWP数据和基于引入5%误差的NWP数据的预测模型进行对比,并对所提模型在训练样本减半的情况下的预测性能进行了验证。结果证明,基于时间序列的风电功率预测模型适合于风电功率的超短期预测,可在时效性上与基于NWP数据的预测方法进行配合,同时适合于无法获取精确NWP数据的风力发电场。针对确定性预测模型无法处理NWP误差不确定性以及传统上下限估计法难以与集成学习模型融合的问题,采用两个独立的Adaboost-K-NDAPSO-RELM模型结合Nelder-Mead单纯形算法组成改进的上下限估计法模型。在对其预测指标进行了验证后,结果显示,结合改进上下限估计法的Adaboost-K-NDAPSO-RELM模型的平均预测区间覆盖率(PICP),预测区间归一化平均宽度(PINAW)和覆盖宽度标准(CWC)指标优于Bootstrap法与蒙特卡洛法区间预测模型,并在对NWP数据引入5%误差时仍保持可靠性,具有良好的抗干扰性能。

关键词： 比压极限   机器学习   预测   HL-2M  

摘要： 磁约束核聚变托卡马克装置HL-2M运行在高比压_模式下,其运行比压与等离子体三角形变,拉长比等几何参数,以及安全因子,压强剖面等物理参数都有关。基于HL-2M装置模拟数据,搭建了一个包含不同等离子体边界、平衡剖面及其对应比压极限的数据库。本文基于该数据库,采用机器学习方式,训练了5种集成回归模型来快速预测HL-2M装置的运行比压极限,使用均方误差MSE等指标来评估模型,并使用Ada Boost算法对模型进行优化。通过对训练好的模型进行可视化操作,找到了影响比压的关键参数及其比重参数。本文训练得到的最佳模型是使用Ada Boost算法优化的梯度增强回归模型Gradient Boosting Regressor,训练好的模型可以在4%的相对误差范围内预测无壁比压极限,其预测均方误差约为0.02,模型的拟合优度约为0.93。由于这项工作是特定于HL-2M装置的,这为通过机器学习模型研究理想壁比压极限的预测提供了机会。训练好的模型可在7%误差范围内预测HL-2M装置的理想壁比压极限,预测均方误差约为0.15,模型拟合优度为0.68。由于上述模型都是树模型,本文还训练了支持向量机回归模型,通过与其他集成树模型的结果对比,证明了简单模型之间可以相互验证。通过绘制各个参数对比压极限的影响程度,得出了影响比压极限的关键参数。对于无壁比压情况,压力峰值因子(Pressure Peaking Factor),总电流_和内电感7)是影响无壁比压极限的关键因子。对于理想壁比压情况,压力峰值因子是最关键的参数,其影响因子为0.7250。此外,本文还绘制了单棵决策树,通过观察其根节点,与集成模型的可视化结果相互验证。训练好的集成树模型可用于实时监测比压极限,并给出在实际实验放电过程中由压力驱动的不稳定性带来破裂的可能性。

关键词： 极限学习机   Duffing振子   状态识别   约瑟夫森结   噪声前驱   分岔预测  

摘要： 微电子器件自出现以来就受到了人们的广泛关注,研究中发现,微电子器件在使用时会根据所选参数的不同而呈现出单周期、多周期或混沌等丰富的非线性动力学现象。本文基于极限学习机（ELM,Extreme Learning Machine）算法针对两种典型的微电子器件——Duffing振子和约瑟夫森结进行了非线性动力学的相关研究。具体工作如下:第一,我们对Duffing振子动力学状态的识别方法进行了研究。Duffing振子作为一种常见的MEMS（Micro-Electro-Mechanical System）元器件,有着对高斯白噪声免疫,但对弱周期信号敏感的特点,广泛应用在微弱信号识别与故障检测中。然而,如何快速准确地识别出系统处于什么样的状态一直是一个非常关键的问题。目前常用的Duffing振子状态识别方法是通过用计算Lyapunov指数来实现的,但这种方法存在计算量大、收敛速度慢等问题,计算结果也只能对周期态与混沌态进行识别,不能对周期态态数进行识别。由于以上缺点,本文提出了一种基于机器学习算法——极限学习机的Duffing振子状态精确识别的方法。首先,通过对Duffing振子时序信号进行频谱分析,我们发现可以利用频谱的峰值个数和峰值大小进行特征提取,然后结合分岔图生成数据集,用生成的数据集训练极限学习机模型,最终实现通过极限学习机精确识别出Duffing振子的各周期态及混沌态。仿真结果表明,该方法具有较快的收敛速度和平均90%以上的准确率。该项研究对Duffing振子在信号处理方面有着重要的意义。第二,我们对约瑟夫森结分岔现象的预测方法进行了研究。约瑟夫森结不仅是一种常见的超导器件,还是一种典型的非线性动力学研究对象。由于约瑟夫森结在使用的过程中应尽量工作在稳定状态,故其状态变化的预测一直都是一个非常重要的研究内容。本文创新性地提出了一种基于极限学习机算法和噪声前驱（Noisy Precursors）现象的约瑟夫森结分岔区间的预测方法。该方法首先对约瑟夫森结方程加噪声,并用随机龙格-库塔法进行求解,再对得到的时间序列进行频谱分析,就可以从中观察到噪声前驱现象。对该现象中峰值的个数及位置的变化特点进行特征提取,生成训练集训练极限学习机。之后找到类似的分岔点同样进行特征提取,生成测试集后对极限学习机进行测试。仿真实验结果表明,该方法不仅可以有效地识别出分岔前和分岔后系统属于什么样的状态,还可以对分岔前兆阶段的参数进行识别,这些参数可以作为分岔点到来前的标志,这样就通过识别的方法实现了约瑟夫森结分岔的预测。上述研究将机器学习算法与微电子器件相结合,实现了对微电子器件的非线性动力学状态的识别及预测,对于器件动力学的相关研究及发展有着重要的意义。

关键词： 低温液态乳制品   食物中毒   金黄色葡萄球菌   食源性致病菌   极限学习机   冷链运输   风险评估   食品安全  

摘要： 因检测能力和检测成本的限制,金黄色葡萄球菌在液态乳制品生产加工、运输储存以及消费等多个环节的繁殖情况数据一般并不完整,相关的环境条件数据也可能存在一个或多个环节的缺失。极限学习机是神经网络的一种,预测精度通常比较高,研究者可以利用极限学习机建立多原因变量和结果变量之间的定量关联关系,从而预测给定条件下金黄色葡萄球菌的污染程度,并逆向推断一个或多个环境条件变量的值。微生物繁殖一般总体上符合指数增长函数,但极限学习机不能很好地拟合该函数,因此,本文中,笔者将指数增长的繁殖机制和极限学习机相结合,先计算指数增长的值,作为极限学习机的输入之一,再启用极限学习机,从而综合提升预测准确率。以储存环节为例,平均误差从14.77%降至2.85%。通过本算法的初筛,检测人员可以快速定位最有可能发生污染风险的环节,采取重点检测而非全方位检测的策略,从而节约检测成本,提高检测成效;检测人员也可以在严重污染发生后,定位引发污染的环境条件,从而发现问题根源。

关键词： 软件缺陷预测   半监督学习   极限学习机   机器学习   栈式自编码器  

摘要： 软件缺陷预测研究中,研究人员通常使用有标记的数据进行预测模型的构建。但是在实际应用中往往会存在有标记样本不足的情况,为了应对这种状况,专家学者引入了半监督学习。尽管近年来不断有学者提出项目内的半监督缺陷预测方法,这些方法的预测准确度还有很大的提升空间。该文提出了一种新的半监督极限学习机软件缺陷预测方法,即基于改进SMOTE的半监督极限学习机方法。首先提出了一个改进的SMOTE采样方法来缓解类不平衡问题,其次使用了栈式去噪自动编码器来保留和获得更好的特征表示,最后为了提高模型的学习速率,获得更好的泛化性能,引入了极限学习机。通过在NASA和AEEEM数据集上的大量实验,结果表明该方法与基线方法相比获得了更好的预测性能。