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。

关键词： 网络安全   态势预测   粒子群优化   极限学习机   神经网络   惯性权重  

摘要： 针对网络安全态势预测模型预测精度不高、收敛较慢等问题,提出了一种基于改进粒子群优化极限学习机(IPSO-ELM)算法的预测方法。首先,通过改进粒子群优化(PSO)算法中的惯性权重和学习因子来实现两种参数随着迭代次数增加的自适应调整,使PSO初期搜索范围大、速度高,后期收敛能力强、稳定。其次,针对PSO易陷入局部最优的问题,提出一种粒子停滞扰动策略,将陷入局部最优的粒子重新引导至全局最优飞行。改进粒子群优化(IPSO)算法既保证了全局寻优的能力,又对局部搜索能力有所增强。最后,将IPSO与极限学习机(ELM)结合来优化ELM的初始权值及阈值。与ELM相比,结合IPSO的ELM的预测精度提高了44.25%。实验结果表明,与PSO-ELM相比,IPSO-ELM的预测结果拟合度可达到0.99,收敛速度提升了47.43%。所提算法在预测精度和收敛速度等指标上明显优于对比算法。

关键词： SVDMELM   极限学习机   奇异值分解   频谱   滚动轴承   故障预测  

摘要： 传统滚动轴承故障预测仅对单个故障特征频率做时间序列预测,而滚动轴承故障由多个故障频率共同表征。为了全面的表征整个频谱的结构,并且不破坏各个频率间的内部联系,提出奇异值分解和极限学习机相结合的多变量时间序列预测方法。首先通过全矢谱方法得到振动信号频谱,然后以整个频谱的各个频率作为输入变量,构建多变量时间序列。最后通过多变量极限学习机和奇异值分解相结合的方法构建训练和测试样本,对频谱进行预测。采用该方法对全寿命滚动轴承数据进行验证,实验结果表明了该方法的有效性。

关键词： 裂缝带   地震多属性   极限学习机   近似支持向量机   综合预测  

摘要： 裂缝发育程度会影响地震波动力学特征和地震波同相轴的形态,但岩性、物性、流体性质的改变也会影响上述特征的变化。因此,利用单属性预测裂缝会有多解性,地震多属性综合预测裂缝是减少多解性的有效措施。对于多特征输入的预测问题,机器学习有其独特的优势,其中具有较强泛化能力和运算效率的极限学习机算法值得重点考虑。为此,在裂缝发育带预测中引入了极限学习机算法。首先基于测井数据,利用极限学习机预测裂缝发育状况并将预测结果与近似支持向量机分类效果进行对比;然后,利用井旁道地震属性数据进行裂缝识别,分析极限学习机在裂缝预测中的效果与优势;最后通过极限学习机算法对地震属性特征与裂缝带发育程度之间对应关系的学习,将其应用于实际工区。结果表明,相较于近似支持向量机,极限学习机在保证分类准确度的同时训练效率更高,能够综合多种地震属性刻画大尺度裂缝带,实现致密砂岩裂缝储层裂缝带发育程度的有效预测,为裂缝的综合预测提供了新的思路。