关键词： 锂离子电池   剩余使用寿命(RUL)   分层极限学习机(H-ELM)  

摘要： 提前对锂离子电池的剩余使用寿命(RUL)进行预测可以保证电池及其应用设备安全稳定运行。针对目前预测方法的结果滞后且缺乏实际意义等问题,为了利用少量循环数据实现RUL的提前预测,本文基于原始极限学习机和自动编码器构建了分层极限学习机(H-ELM)预测模型。然后选取丰田研究所(TRI)的实验数据集对H-ELM完成了仿真实验验证。实验结果表明,本文提出的H-ELM预测模型可以在电池使用初期预测出RUL,同时预测结果的平均绝对百分比误差(MAPE)仅有10.14%。

关键词： 极限学习机   汽油辛烷值含量   回归建模   支持向量机   BP神经网络  

摘要： 本文引入极限学习机(ELM),以解决汽油辛烷值含量建模计算问题。首先,对汽油辛烷值含量数据集进行预处理,随机选取出训练集与测试集;其次,引入ELM机器学习算法,建立汽油辛烷值含量的ELM回归计算模型,选取合适参数,并将训练集数据代入该模型进行训练,拟合出输入参数与输出参数之间的非线性关系;然后,使用测试集的真实值与ELM回归建模预测值进行对比,并选取确定系数(R^(2))作为精度校验指标,选取耗时作为计算效率校验指标,对ELM模型进行测试。最后与支持向量机BP神经网络等回归建模方法,进行对比实验,结果表明ELM方法在汽油率烷值含量回归建模预测方面具有较好效果。

关键词： 极限学习机   新型建筑   建筑材料   力学性能预测  

摘要： 为减少新型建筑材料力学性能预测方法预测投入成本,提升预测效率,提出了基于极限学习机的新型建筑材料力学性能预测方法。提取新型建筑材料力学性能因子,不断加深对因子内部的了解,完善收集的数据信息,增强因子数据查找力度,进一步分析新型建筑材料力学性能因子的所处状态,按照内部分析准则转换因子存储方式,调节空间信息,利用获取的数据预测新型建筑材料力学性能,完成整体预测研究操作。实验结果表明,设计方法完善了预测研究隐藏性能,在预测投入较低的情况下仍然具备较高的预测效率。

关键词： 转炉   出钢合金化   元素收得率   正则化极限学习机   改进粒子群算法   预测模型  

摘要： 针对转炉炼钢出钢合金化过程合金的加入量偏差较大的问题,为更精确地控制合金加入量,以某钢厂冶炼HRB400钢出钢过程加入硅锰合金为例,建立基于极限学习机算法的Mn元素收得率预测模型,并引入正则化方法和改进粒子群算法(IPSO)对极限学习机算法进行优化,以提高模型的泛化能力和预测精度。研究结果表明:Mn元素收得率预测相对误差在5%和3%以内的命中率分别为95%和80%,准确性高于BP神经网络及人工经验的预测结果。照此种方式控制硅锰合金加入量可以满足成品钢的成分要求,且每炉次硅锰合金加入量较人工经验值平均减少20 kg,可带来每年400万元的经济效益,能够为现场生产提供参考。

关键词： 双馈风力发电机   转子匝间短路   预测模型   隐藏节点   激活函数  

摘要： 针对双馈风力发电机转子绕组的匝间短路问题,提出基于灰色模型和极限学习机(ELM)相结合的辨别模型:模型首先选取定子电流信号作为故障诊断依据,通过加Rife-vincen窗的快速傅里叶变换实现了定子电流特征频谱的提取,然后利用灰色模型对提取的特征频谱信号进行灰色处理,处理后的特征数据作为后续ELM神经网络的训练集和测试集;其次通过分析测试不同激活函数、不同神经网络结点个数对神经网络输出准确性的影响,构建了最佳灰色极限学习机预测模型,并进行仿真对比验证。仿真结果表明,相比GM(1, 1)预测模型和灰色神经网络预测(GNN)等模型,文中构建的灰色极限学习机预测模型具有更好的预测精度和准确性,能够有效对转子匝间短路故障进行预测。

关键词： 油浸式变压器   热点温度预测   极限学习机   支持向量回归  

摘要： 油浸式变压器的负载能力和运行寿命与其热点温度密切相关,准确预测变压器热点温度对监测变压器健康状态和制定动态增容决策有着重要意义。为了预测变压器热点温度,以变压器负载率、环境温度和顶层油温为特征值,采用BP神经网络、Elman神经网络和极限学习机(extreme learning machine,ELM)3种方法分别拟合变压器的热点温度,结果表明,ELM模型的拟合度更高,运算速度更快。通过温度、湿度、天气类型等7类变压器运行历史数据,构建基于支持向量回归(support vector regression,SVR)的电力负荷预测模型,将预测结果作为ELM模型的前置输入,提出一种基于极限学习机的变压器热点温度实时预测方法。以某220 kV油浸式变压器的运行数据为样本对该方法进行验证,发现预测值与真实值的误差在±1℃之内,表明该预测方法具有良好的预测精度。

关键词： 大数据   机器学习   支持向量回归   极限学习机   铁水温度  

摘要： 选取某4000 m^(3)级别高炉2014年至2019年时间范围内的日平均数据,以铁水温度为目标函数,首先对铁水温度的特征参量进行线性与非线性相关性分析、特征选择与规范化处理,获取了显著影响铁水温度的正负相关性特征参量.在此基础上,基于支持向量回归与极限学习机两种算法对铁水温度构建预测模型,模型均可对铁水温度实现有效预测,基于支持向量回归算法构建的预测模型较优,预测平均绝对误差为4.33℃,±10℃误差范围内的命中率为94.0%.

关键词： 多元时间序列   人工神经网络   图拉普拉斯变换   极限学习机   数据流预测   特征选择  

摘要： 由于时间效率的约束,多元时间序列预测算法往往存在预测准确率不足的问题。对此,提出基于图拉普拉斯变换和极限学习机的时间序列预测算法。基于图拉普拉斯变换对时间序列进行半监督的特征提取,通过散布矩阵将监督特征和无监督特征进行融合。设计在线的极限学习机学习算法,仅需要在线更新网络的输出权重矩阵即可完成神经网络的学习。利用提取的特征在线训练极限学习机,实现对多元时间序列的实时预测。基于多个数据集进行仿真实验,结果表明该算法有效地提高了预测准确率。

关键词： 短期电力负荷预测   BP神经网络   电力系统负荷预测   短期负荷   极限学习机   负荷数据   归一化处理   数据样本  

摘要： 为了更加精确的进行电力负荷预测,本文提出了一种基于极限学习机(ELM)的电力负荷预测方法。对短期负荷中的数据样本进行分析后再将其归一化处理,构建了基于ELM的短期电力负荷预测模型。采用BP神经网络与ELM对同组电力负荷数据分别进行预测,并对两种预测模型进行对比。实验结果表明,ELM算法较于BP神经网络有着更高的预测精度,并且运行时间更短。

关键词： 膜计算   粒子群算法   极限学习机   水肥预测   智能灌溉  

摘要： 针对灌溉系统水肥预测计算复杂、预测精度不高、实时性不强等问题,提出膜计算粒子群算法改进极限学习机(MCPSO-ELM)的水肥预测模型。为提高极限学习机的泛化能力和预测精度,引入粒子群算法与膜计算进行优化,利用粒子群算法的高效率搜索能力与膜计算的平行计算优势,大幅度提高收敛速度和搜索精度,不断迭代优化ELM网络的连接权值和阈值以提高预测精度,种群多样性有效解决全局搜索和局部寻优之间的平衡。建立PSO-ELM、WPSO-ELM、IPSO-ELM和MCPSO-ELM四个模型进行对比试验,MCPSO-ELM模型的预测误差小于30 m 3/hm^(2),MAPE为2.0%,预测曲线与水肥实际用量曲线最为接近,预测性能明显优于其他模型。本文提出的MCPSO-ELM能够获得更高的预测精度、更好的预测效率和稳定性,可以为智能灌溉系统提供可靠参考。