关键词： 用水量预测   信号分解   极限学习机   粒子群优化算法   神经网络  

摘要： 近年来,随着科学技术的不断发展,城市信息化和工业化建设取得了很大的进步,对水资源的需求呈现爆炸性增长。同时由于城市建设的步伐过快而产生的温室效应导致了全球气候变暖,从而导致地球上的水资源严重减少,因此合理地利用有限的水资源是社会发展的必然趋势。配水系统是合理利用水资源的决定因素,而用水量预测则直接影响到配水系统水资源调度、配水管网布局的有效性和可用性,因此对城市用水量进行科学准确的预测是非常有必要的。在用水量预测中,为了得到精确的预测结果,首先要对用水量数据进行分析,根据不同数据的特征选择合理的预处理方法与预测方法,并搭建行之有效的模型。用水量数据是典型的非线性时间序列数据,存在着很高的不确定性,相关研究表明传统的数学统计模型对非线性时间序列数据的预测效果不尽人意。因此,本文采用基于信号分解与优化极限学习机的组合预测方法对城市月用水量进行了预测,具体工作如下:首先,针对当前信号分解算法对于数据的分解不够彻底,输入到预测模型后导致的预测精度低等问题,本文据此提出一种基于经验模态分解(Empirical Mode Decomposition,EMD)和变分模态分解(Variational Mode Decomposition,VMD)的组合信号分解的数据预处理算法。该算法在不改变原始信号特征的条件下,先使用EMD算法对数据进行初步分解,然后再采用VMD算法对EMD算法分解出的第一个分量进行进一步地分解,使得所获得的数据更适合于预测。相关的仿真实验结果证明了所提出的算法可以通过合理地分解原始用水量数据来有效地提升预测精度。此外,本文针对单一神经网络模型对月用水量预测精度不足的问题,将群体智能算法中广泛应用的粒子群优化算法(Particle Swarm Optimization,PSO)进行改进,并结合极限学习机算法,提出了改进的PSO算法优化极限学习机(Extreme learning machine,ELM)的预测算法。在此基础上结合前文提出的信号分解算法,进一步提出基于信号分解算法与优化极限学习机的组合预测方法。该方法首先利用自适应权值对PSO算法进行改进,然后将改进后的自适应权值PSO算法对ELM的初始权值和偏差进行优化,其次采用优化后的ELM算法分别对分解出的每个子分量进行预测,并将每个子分量的预测结果整合成最终的预测结果。仿真结果显示该算法可显著地降低用水量预测的误差,并且提高了预测精度。

关键词： 软件缺陷预测   极限学习机   半监督学习   不平衡学习  

摘要： 软件缺陷预测(Software Defect Prediction,SDP)是当前国内外相关专家学者比较感兴趣的研究领域之一。在有限的资源下,通过传统的软件测试方法找出所有缺陷模块较为困难,很多研究者使用机器学习方法构建SDP模型来判断软件模块是否有缺陷。目前的软件缺陷预测研究还面临着以往标记的有缺陷模块不足的问题,通常为了缓解这个问题部分研究者会使用半监督学习来充分利用无标签模块增强训练效果。尽管现有的半监督缺陷预测方法取得了不错的效果,但是仍有很多改进的余地。极限学习机(Extreme Learning Machine,ELM)是一种只含有一层隐藏层的前馈神经网络,它可以随机指定输入层的权重值和偏置向量,利用广义逆矩阵理论一次性求解出输出层的权重,从而完成预测模型的构建。极限学习机具有结构简单,泛化性强以及训练速度快等优点。本文将进行基于极限学习机的软件缺陷预测研究工作,其内容简要概括如下:首先,提出了一种基于改进SMOTE的多核极限学习机(Improved SMOTE Based Multi-kernel Extreme Learning Machine,SMMKELM)。该方法首先运用了k-means&SMOTE方法进行数据的类不平衡处理以缓解数据类不平衡问题,再使用栈式去噪自编码器对处理完的数据进行深度特征提取以弥补极限学习机特征学习不够充分的问题。在极限学习机基础上引入了核方法对对特征学习能力不够理想的极限学习机进行改进,使得原模型可以进一步地学习模块特征,从而提升分类精度。其次,为了应对在软件缺陷预测研究的实际应用中充斥着的大量无标记模块问题,且为充分利用这些无标记模块,并且为了缓解模块的类不平衡问题,本文提出了一种基于改进SMOTE半监督极限学习机的半监督软件缺陷预测方法(Semi-Supervised Extreme Learning Machine Based on Improved SMOTE for Software Defect Prediction,SELM)。该方法首先使用k-means&SMOTE进行模块的类不平衡处理,接着使用栈式去噪自编码器进行特征提取,最后使用半监督极限学习机进行预测。最后,为了缓解部分无标签模块对分类工作产生的负面效果,本文提出了一种基于改进SMOTE自适应安全半监督极限学习机的软件缺陷预测方法(Adaptive Safe Semi-Supervised Extreme Learning Machine Based on Improved SMOTE,ASELM)。该方法主要是在SELM方法的基础上对半监督极限学习机在无标记模块的利用上引入了安全度的概念,通过对无标记模块标记安全度,来减少那些对半监督极限学习机分类效果没有正向帮助的无标记模块的影响。使用这种方法可以进一步提高无标记模块的利用效率,使得半监督极限学习机的分类效果得到提升。

关键词： 机器学习   PSASP-MATLAB   K-means聚类   极限传输容量   人工神经网络  

摘要： 传统的断面精细规则制定采用多元线性回归的方法,将非线性电力系统转化为线性模型求解,计算过程复杂。而近年来机器学习在电力系统各领域有着广泛的应用,故考虑将机器学习用于电力系统关键断面极限传输容量的预测分析中。把电力系统实际运行数据抽象转化为特征属性,经过降维处理后择优择重选取部分属性作为系统断面关键特征,将所选出的特征属性组成关键特征属性库,作为神经网络输入层向量,经过人工神经网络重复训练构建系统关键特征量和断面极限传输容量的非线性对应关系。实现机器学习在断面极限传输容量预测方面的应用将对电网调控环节智能化发展有重要意义。本文为获取用于人工神经网络训练所需要的大量数据样本,利用电力系统分析软件PSASP的开放性功能,构建了PSASP-MATLAB互联仿真接口,通过该接口实时传递数据,以帮助PSASP快速完成批量潮流计算,并将计算后的数据保存至PSASP中的mysql数据库。而针对电网数据量过多且数据之间冗余度过大的问题,采用基于聚类算法对系统数据进行分区降维处理。经过K-means聚类分析后将系统初始特征集合分成不同子集合,通过定义评价准则求出子集合数据之间的关联度系数以及数据和目标集合之间的关联度系数,从众多初始特征属性中选出可以描述系统关键断面极限传输容量的属性组成关键特征集合,最后通过IEEE9节点系统进行关键特征选择的验证。最后将所选出的关键特征集合和互联仿真生成的大量数据样本用于人工神经网络训练,通过PSASP系统的7机36节点系统分析得到特征属性和系统断面极限传输容量的非线性映射关系。算例分析表明,基于人工神经网络的关键断面极限传输容量预测方法,既满足时效性要求又能有效提高断面极限传输容量预测的精确性。

关键词： 锂离子电池   剩余循环寿命   健康因子   核极限学习机   鲸鱼优化算法  

摘要： 锂离子电池作为新能源产业中最为重要的一个供能环节,已经广泛地使用在各个领域。但锂离子电池作为储能器件,其自身内部存在复杂的电化学反应,随着电池的持续充放电,电池的容量会因为电池内部电化学反应的减弱而降低。在电动车市场中存在大量的锂离子电池,随之而来就是电池退役回收问题。及时预知电池的寿命,利于电池的维护、回收和更换,保障电动汽车安全可靠的运行。本文针对电池的剩余循环寿命（RUL,Remaining Useful Life）预测主要完成的内容包括以下几个内容:（1）分析锂离子电池的性能退化机理以及影响电池寿命退化的因素。进行锂离子电池充放电循环寿命实验,获取锂离子电池容量退化数据以及充放电过程数据以支持后续的寿命预测工作。（2）通过电池充放电循环寿命实验数据,在充放电过程中提取能够表征电池寿命退化的间接健康因子。主要从充电过程中选取,分别在恒流阶段、恒压阶段和静置阶段提取三个间接健康因子,利用Pearson和Spearman相关性分析法分析健康因子与容量之间的关系,验证间接健康因子的可行性。（3）搭建了核极限学习机（KELM,Kernel Extreme Learning Machine）算法,进行电池RUL预测。利用鲸鱼（WOA,Whale Optimization Algorithm）算法优化KELM算法的参数来提高RUL预测的准确性。并分别搭建了以RBF核函数为KELM算法核函数的WOA-RBF-KELM算法和以poly核函数为KELM算法核函数的WOA-poly-KELM算法,利用选取的健康因子进行验证,结果表明,所搭建的WOA-KELM算法可以准确的预测电池的RUL。（4）由于核函数的作用对于KELM算法十分重要,为了让KELM算法同时具有较强的学习能力和泛化能力,因此对其进行了改进。将具有较强局部性能的RBF核函数和具有较强全局性能的poly核函数进行了函数融合,并搭建WOA-MKELM算法。通过选取的健康因子进行验证,以及与ELM算法和单核WOA-KELM算法对比分析,结果表明,WOA-MKELM算法提高了预测精度,能够更为准确的预测电池的RUL。本文所搭建的WOA-MKELM算法,利用间接健康因子替代容量等直接健康因子进行RUL预测,对电池管理系统的应用和发展具有一定的参考价值。

关键词： 负荷预测   改进极限学习机   波动分量   稳定分量  

摘要： 传统化石能源的逐渐枯竭引起了区域性的能源危机,新能源凭借无污染和易获取等优点开始大规模涌入电力系统,在电网中的渗透率开始稳步提升。高渗透率的背后增加了负荷预测的困难程度,可控负荷的大量出现进一步加剧了负荷预测的不确定性。同时随着我国电力市场进程逐步加快,电力已经可以进行多种形式的交易,逐渐具有商品特性,电力市场的稳定建设对短期负荷预测的准确性提出了更高的要求。本文主要围绕负荷特性和短期负荷预测问题展开研究,主要工作总结如下:(1)分析梳理了短期负荷预测的相关基本理论知识。首先从多角度梳理了电力负荷固有特性,发现周期特性对短期负荷预测结果影响较大;其次针对负荷预测的相关影响因素进选择问题,提出了两种影响因素筛选方法;最后针对预测结果误差评估问题提出了四种误差评估指标。(2)考虑到短期负荷预测影响因素冗余,提出一种PSO-ELM方法构建预测模型来进行短期负荷预测。利用极限学习机快速学习能力和优良的泛化能力建立负荷预测模型,为保证预测模型在面对不同样本数据时具有较大的准确性,利用粒子群算法对极限学习机在事前预设的随机量进行多次修正,以提高预测模型针对特定场景的拟合能力。采用美国东部某地区实际负荷数据仿真分析,所提PSO-ELM预测方法与仅采用极限学习机方法相对比,误差减少了1.58%。(3)针对负荷序列自身存在的随机性和波动性,以具有非线性处理能力的集合经验模态分解方法为基础,提出了一种融合时间序列ARIMA预测模型和蝙蝠算法优化极限学习机的混合预测模型。采用集合经验模态分解方法对负荷序列进行分解,将分解后的模态分量根据频率差异划分为波动分量和稳定分量两类;对所有的模态分量按照频率高低采用不同的预测模型分别展开预测,针对稳定分量的线性特点,利用ARIMA方法对稳定分量进行预测,针对波动分量的非线性特点,利用蝙蝠算法优化极限学习机方法对波动分量进行预测;最后对所有的分解分量预测结果进行重构,形成最终的预测结果。仿真结果表明,组合预测方法充分避免不同算法的局限性,综合不同算法对样本数据的准确性,有效提高了负荷预测准确性。

关键词： 大坝变形预测   机器学习   极限学习机   蝙蝠算法   遗传算法  

摘要： 作为大坝安全监测系统的重要组成部分,大坝变形预测方法的研究成为学者关注的热点,而大坝变形数据存在非线性关系强和影响因素复杂等问题,传统的预测模型由于参数设置复杂,预测性能不稳定等缺点已经难以满足当前水库大坝等水利工程的精度要求。因此,本文将机器学习中的极限学习机(ELM)应用到大坝变形预测领域,提出一种基于改进蝙蝠算法(IBA)优化ELM参数的大坝变形预测模型。同时构建了基于蝙蝠算法(BA)和遗传算法(GA)优化ELM参数的大坝变形预测模型,对比验证IBA算法的优化效果;构建了基于梯度下降法的BP神经网络大坝变形预测模型,对比验证极限学习机预测性能的优越性。标准BA算法每次迭代时,蝙蝠个体总是会逐渐朝着当前最优的个体位置靠近,最终整个蝙蝠群体局限在同一个区间中。BA算法在求解低维问题时这个问题还并不明显,但在现实中面临的往往是高维空间的求解问题,因此实际运用时容易导致蝙蝠种群多样性较差,蝙蝠个体容易陷入局部最优值,降低最终的收敛精度。针对BA算法当前存在的问题,本文将GA算法中的交叉变异机制融入BA算法寻优过程中,来提升BA算法寻优时的种群多样性,增强蝙蝠个体在迭代过程中突破局部最优值的能力。基于IBA算法优化ELM初始网络连接权值和阈值构建了IBA＿ELM大坝变形预测模型。把IBA＿ELM模型预测值和实测值的最小误差作为IBA算法的求解问题,以此构造以极限学习机网络连接权值和阈值为自变量的IBA＿ELM模型。将模型预测结果与实测值的均方差作为IBA算法的适应度函数公式,通过IBA算法求解ELM网络最佳参数,赋值ELM网络建立了IBA＿ELM大坝变形预测模型。将模型应用于工程实例,通过对利山水库大坝监测点SZ4的沉降数据预测分析,验证IBA＿ELM模型、BA＿ELM模型、GA＿ELM模型和IBA＿BP模型预测结果,并利用平均绝对误差、平均绝对百分比误差、均方根误差三项精度评价指标进行精度评价。实验结果表明,四种模型的预测值与实测值的平均绝对误差MAE分别是0.286mm、0.332mm、0.543mm、0.396mm,平均绝对百分比误差MAPE分别为0.361%、0.418%、0.684%、0.499%,均方根误差RMSE分是0.360mm、0.406mm、0.630mm、0.484mm。从各项指标来看,各模型预测精度排行为IBA＿ELM>BA＿ELM>IBA＿BP>GA＿ELM,其中IBA＿ELM模型的预测精度明显高于另外三种模型,表明IBA＿ELM模型能有效提高大坝变形预测能力,为大坝变形监测提供决策依据。同时利用IBA＿ELM模型对大坝监测点SZ2和SZ6的沉降数据预测分析,实验结果表明该模型在其他两个点位上的预测效果较好,证明该模型具有较强的泛化能力。

关键词： 绞吸挖泥船   产量预测   极限学习机   主成分分析   可视化  

摘要： 绞吸挖泥船的疏浚产量直接反应了疏浚效益,为提高疏浚产量,建立绞吸挖泥船的产量模型,对产量进行预测是一种有效方式。影响绞吸挖泥船产量的因素众多,且各因素间互相影响。所以,按产量影响因素建立绞吸挖泥船的产量机理模型拟合精度较差,选择建立产量的黑箱模型。而常见的神经网络如BP(Back Propagation)、RBF(Radial Basis Function)等,训练时间较长且泛化能力一般,无法满足产量预测要求。因此,本文应用优化的极限学习机(Extreme Learning Machine,ELM)算法建立产量预测模型。首先对实船采集的数据进行预处理,并以处理后的数据作为黑箱模型的训练、测试数据集。并根据绞吸挖泥船的产量计算公式以及绞吸挖泥船的结构、疏浚过程,选出其中八个影响产量的因素,通过八个因素与产量间的主成分分析(Principal Component Analysis,PCA)得到了五个主成分。由RBF模型预测结果对比可知,PCA能够在降低模型复杂程度的同时,保证模型的预测效果,并缩短模型的训练时间。因此,通过PCA合理地选择了黑箱模型的输入变量,确定了模型的结构。然后,建立了优化极限学习机算法的产量预测模型。采用正则化系数来消除ELM中存在的结构风险,实现了正则化极限学习机(Regularized Extreme Learning Machine,RELM);利用粒子群算法(Particle Swarm Optimization,PSO)对RELM中随机选取的参数进行全局寻优,实现了粒子群优化的正则化极限学习机(Particle Swarm Optimization Regularized Extreme Learning Machine,PSO-RELM),进一步地提升了RELM的鲁棒性和泛化能力。仿真实验结果表明PSO-RELM模型能够实现挖泥船疏浚产量的预测并具有较好的效果。最后,基于PSO-RELM产量模型,利用Echarts(Enterprise Charts)对疏浚信息进行可视化显示和分析,并在选取控制变量后,结合专家经验得到了相关疏浚策略,将可视化与疏浚策略结合,可实现疏浚过程的可视化辅助操作,以提高疏浚效益。

关键词： 板带热连轧   轧制力预测   粒子群优化   极限学习机   神经网络  

摘要： 为了提高热连轧板带轧制力预测的精度,针对影响轧制力因素之间的复杂关系,建立了基于粒子群算法(particle swarm optimization, PSO)优化极限学习机(extreme learning machine, ELM)的轧制力预测模型,进一步提高预测精度。首先,利用PSO全局搜索最优解和ELM处理大量非线性关系数据的特点,建立了PSO-ELM轧制力预测模型;其次,将PSO-ELM模型与传统轧制力模型、反向神经网络(back propagation, BP)、未经优化的ELM神经网络进行对比。结果表明,PSO-ELM与其他网络相比在轧制力预测的准确度上更高、稳定性上更强,具有较强的拟合能力,该方法在实际应用中具有很大潜力。

关键词： 机器学习   激光焊接   等效热源参数   参数识别   固有变形法   极限载荷  

摘要： 先进制造业已成为国际竞争的制高点,以激光焊接为代表的激光加工技术,可以减轻构件的重量、降低制造成本和提高生产效率,在航空航天、船舶和汽车等领域中受到了广泛的关注。然而,激光焊接过程中热量的高度集中使得焊接接头附近的材料力学性能弱化,并不可避免地导致焊接变形和残余应力,因而降低了焊接结构的承载性能。因此,快速准确地识别热源参数和材料参数,发展焊接变形和残余应力的快速预测方法,继而对焊接结构的承载能力进行高精度预测,一直是焊接结构的变形预测与控制、安全评估与校核中所关注的关键问题。目前,机器学习加快了与各个科学工程领域的交叉融合,为上述问题的解决开辟了新的途径。将机器学习与焊接力学问题相结合,本文开展了热源参数与材料参数识别、焊接变形与极限载荷预测的研究,旨在为实际焊接力学问题提供新的解决方案,主要研究内容如下:(1)为了快速准确地识别热源参数,基于卷积神经网络建立了从焊缝形貌图像中识别热源参数的深度学习模型HSPINet。采用数值模拟生成的不同热源参数下的焊缝形貌训练HSPINet模型,使其能够自动提取受热源参数影响的焊缝熔合线等图像特征,然后分析了此模型的特征提取模式。将HSPINet模型用于激光对接接头的热源参数识别,不仅获得了与有限元模型更新法相当的识别精度,而且识别效率得到了显著的提高,从而验证了HSPINet模型的可行性与有效性。(2)提出了一种基于等效热源参数通过热-力分析预测低温相变材料力学场的方法,避免了低效不成熟的热-冶金-力分析和难以获取的固态相变参数所带来的数值求解困难和精度损失。基于响应面法,将热源参数作为输入变量,并将数值结果与试验结果之间的标准误差作为响应值,给出了等效热源参数的反演方法。将此方法应用到T型焊接接头的等效热源参数识别中,进而通过优化焊接顺序降低了工字梁的焊接变形和残余应力。(3)基于固有变形法的焊接变形预测需要提前获取焊接接头的固有变形,为此,将固有变形法与复合形法结合,建立了反演固有变形的数学优化模型,提出了一种新的固有变形杂交反演方法。采用此方法反演了对接接头的固有变形,并通过对比固有变形法和热弹塑性法的数值结果,验证了所提出方法的有效性,其中热弹塑性模型的有效性通过对接平板的焊接变形和残余应力的试验结果加以验证。此外,还研究了预测精度对固有变形的敏感度。(4)结合固有变形方法,提出了一种基于人工神经网络预测焊接变形的机器学习方法,并以对接平板为例对所提出方法的有效性进行了验证。通过无量纲分析和数值结果对比提出并验证了单位变形与结构尺寸的无关性,并将单位变形作为人工神经网络的输出,使得搭建的人工神经网络可以适用于各种尺寸的对接平板的焊接变形预测。人工神经网络的预测结果与经试验验证的有限元模型的数值结果吻合较好。此方法避免了有限元建模过程和施加固有变形的困难,具有高效、准确和适用性强等优点。(5)基于卷积神经网络和改进的长短时记忆网络,建立了具有去噪功能的深度学习模型CPINet,用于快速、准确地识别与加载路径相关的本构模型参数,并以各向同性强化的弹塑性模型为例对其进行了阐述和验证。通过对比从有/无高斯噪声的应变场中提取的应变特征,分析了CPINet模型的抗噪声能力及去噪机理。通过对比CPINet模型和基于粒子群算法的有限元模型更新法识别的6061铝合金的本构参数,验证了CPINet模型的有效性。采用由不同训练参数和卷积神经网络结构参数获得的CPINet模型识别了6061铝合金的本构参数,结果对比表明,在确定合适的网络结构参数后,CPINet模型具有良好的鲁棒性。(6)基于试验、机器学习方法和有限元精细分析模型对激光焊接铝锂合金加筋板的横向极限载荷进行了研究。通过结合了数字图像相关技术和电测的拉伸试验,测试了加筋板的极限载荷、破坏模式和应变演化过程。通过灵敏度分析确定了对加筋板极限载荷有较大影响的参数,将这些参数作为输入建立了可以高效方便地预测不同尺寸和材料参数加筋板的极限载荷的机器学习模型。进而针对忽略初始缺陷(焊接变形和残余应力)将导致预测结果偏大的问题,建立了考虑材料非线性、几何非线性、韧性损伤和初始缺陷的有限元精细分析模型来精确模拟焊接加筋板的极限载荷和破坏模式,并研究了初始缺陷对二者的影响。本研究拓展了机器学习方法在焊接力学和参数识别领域的应用,丰富并改进了焊接变形和极限载荷预测以及参数识别的手段,为解决该领域中存在的关键力学问题提供了新的思路。