关键词： 空间负荷预测   负荷密度指标法   粒子群优化(PSO)算法   极限学习机(ELM)   模糊C均值(FCM)算法  

摘要： 空间负荷预测对有配电网的规划建设具有重要意义,为了提高配电网空间负荷预测的精度,文中提出基于极限学习机(ELM)的配电网空间负荷预测算法,采用粒子群优化(PSO)模型的参数。首先根据用地性质将负荷分类,再通过模糊C均值(FCM)算法对每一类负荷进行聚类分析,建立精细化的负荷密度指标体系。根据待预测地块的特性指标选取训练样本,代入ELM训练,提高预测精度。通过搜索的数据对实例进行仿真试验,通过对比未引入FCM算法的相对误差、未引入PSO算法的相对误差以及采用PSO-ELM算法的相对误差可得,文中提出的PSO-ELM算法具有较高精度,满足实际工程的要求。

关键词： 极限学习机(ELM)   瓦斯涌出量   预测模型  

摘要： 为有效挖掘煤矿瓦斯涌出量数据的非线性特征,及时消除煤矿瓦斯安全风险,降低瓦斯灾害的发生概率,建立了以极限学习机算法为核心的煤矿瓦斯涌出量预测模型。同时,为验证其鲁棒性及优越性,引入BP神经网络模型进行对比分析。研究结果表明,基于ELM的煤矿瓦斯涌出量预测模型能够对煤矿瓦斯涌出量数据特征进行良好的描述,且各项对比指标均优于BP神经网络模型,为煤矿瓦斯涌出量预测研究提供了新的方法。

关键词： 样本熵   PM2.5浓度   极限学习机   改进的探路者算法  

摘要： PM2.5作为评估空气质量的重要指标,准确预测PM2.5浓度对大气污染的监测和控制有重要意义。文章提出了一种基于样本熵(sample entropy,SE)和改进的探路者算法(improved pathfinder algorithm,IPFA)优化极限学习机的集成学习方法。首先利用变分模态分解(variational mode decomposition,VMD)算法将原始PM2.5浓度序列分解为不同频率的有限带宽本征模态函数(bandlimited intrinsic mode function,BIMF),并引入样本熵对相似的BIMF进行重构。然后改进探路者算法(pathfinder algorithm,PFA),在成员位置更新过程中融入交叉、变异和贪婪选择策略,提升PFA算法的全局搜索能力,再采用改进的探路者算法(IPFA)优化极限学习机(extreme learning machine,ELM),最后利用IPFA优化的极限学习机对每个重构子序列进行预测和集成。为了检验VMD-SE-IELM模型的有效性,以武汉市PM2.5浓度数据为研究对象进行了逐时预测,实证结果表明,提出的集成学习模型的预测精度和稳健性均显著优于其他基准模型。

关键词： 短期风功率预测   集成经验模态分解   核极限学习机   自适应权重   极限学习机   鲸鱼算法   遗传算法  

摘要： 化石能源是当今世界最主要也是开发与利用最为成熟的能源,但是化石能源受限于它自身固有的属性,储存量有限,而且对全球环境影响恶劣,不具备长远的发展效益。现在社会对能源的需求量巨大,必须开发并利用清洁且可再生的能源。风能就是一种清洁且可再生的能源。风能作为一种自然能源,风力的强弱随机且不稳定,风力发电的效率直接受风力大小的影响,因此对风功率进行准确预测能更好地保障风电并网的安全,并且能对电力调度方案提供更切实而可靠的依据,方便提前采取措施,对于整个新能源的能源利用率以及风力发电的生产及使用效率都有重要的意义。如何建立更有效的算法模型来更准确地预测风功率,是本文的研究核心和创新重点。针对短期风功率预测,本文主要做了以下几个方面的研究:(1)说明了风电对我国的发展意义并阐述了风电在我国近几年的发展现状,概述了近几年国内外关于风电的研究重点,总结了常见的风电功率预测研究方法,并重点介绍了依据风功率时序数列的相关预测建模方法。(2)依据风电功率的原始数据是时序数据的特点,将原始功率数据化为一条时序信号。针对该时序信号具有非平稳、非线性的信号特征,采用改进的集成经验模态分解方法对信号进行预先分解处理,之后通过基于遗传算法优化的极限学习机算法进行预测,提出一种新的组合预测模型MEEMD-GAELM。(3)对新的组合预测方法MEEMD-GAELM进行实验,并与传统方法进行对比,验证该组合预测方法的有效性。(4)引入核极限学习机作为预测算法以求进一步提高精度。引入鲸鱼优化算法对KELM的参数进行优化,进一步强化KELM算法的预测性能。提出一种新的短期风功率组合预测算法MEEMD-WOA-KELM。通过实验对比,证明该方法的优越性。(5)考虑到鲸鱼优化算法在全局搜索能力上的局限性,提出一种基于WOA的新的优化算法MWCWOA。引入自适应权重因子和柯西变异算子分别对鲸鱼算法的局部搜索和全局搜索能力进行优化。通过与粒子群优化算法PSO、灰狼优化算法GWO、传统WOA算法和改进的WCWOA算法进行实验对比分析,证明本文提出的MWCWOA优化算法的寻优性能的优越性。(6)利用提出的MWCWOA算法良好的优化性能,对核极限学习机的两个参数进行优化,并与MEEMD分解方法相结合,提出一种新的组合预测模型MEEMD-MWCWOA-KELM,以进一步提升预测精度。通过实验对比证明该预测模型具有更高的预测精度。

关键词： NOx预测   属性约简   混合核极限学习机   参数优化   最大相关熵  

摘要： 近年来,随着我国电力市场的进一步拓展开放及国家环保政策的要求愈加严厉,火电企业纷纷针对“低效率、高污染”的燃煤电站锅炉进行优化升级,从而实现火电企业高燃烧效率和低污染排放的双重目标。大数据分析技术、机器学习等人工智能技术的快速发展为燃煤电站的优化升级提供了理论与技术支持,其优化的效果取决于NOx排放量是否可以精准预测。目前,如何准确预测NOx排放量及科学评价NOx排放预测效果仍是研究的重点。本研究首先对锅炉历史运行数据进行预处理,分别为错误数据和缺失数据处理、再采样、归一化等;然后,在此基础上,主要开展以下三个方面的研究:（1）针对燃煤电厂锅炉数据冗余影响NOx预测准确性的问题,充分考虑输入变量与输出变量的相关性,提出了一种基于邻域粗糙集前向搜索属性约简快速算法（Forward Attribute Reduction Based on Neighborhood Rough Sets and Fast Search,FAR）和混合核极限学习机（Hybrid Kernel Extreme Learning Machine,HKELM）的FAR-HKELM预测模型。基于实际历史运行数据,将HKELM、FAR-HKELM与BP、SVM、ELM、PKELM及GKELM等建模方法进行多次对比,验证了FAR-HKELM建模方法的有效性及优越性。（2）针对燃煤电厂锅炉非高斯特性数据的误差分布问题,采用局部相似函数MCC作为性能评价指标,提出一种基于最大相关熵准则评价（Maximum Correlationentropy Criterion Evaluation,MCCE）和HKELM的MCCE-HKELM预测算法,即一种燃煤锅炉NOx排放预测方法。该方法首先建立基于HKELM的NOx预测模型,然后将局部相似函数作为性能评价指标,采用粒子群优化算法以局部相似函数最大化为目标来寻找模型最优参数,从而提高预测模型性能;此外,针对MCC核函数参数σ值的两种选取方式,设置了相关对比实验,从而为核函数参数σ值的选取提供了理论指导。（3）针对燃煤电厂锅炉NOx预测建模时数据噪声、异常值等影响预测模型性能的问题,同时考虑到HKELM是在高斯噪声假设的最小均方误差（MMSE）准则下推导出的,因此基于HKELM的模型性能在非高斯噪声等情况下会严重恶化。为了提高HKELM的鲁棒性,提出了一种基于最大混合相关熵准则（Maximum Mixture Correlationentropy Criterion,MMCC）和HKELM的MMCC-HKELM预测算法,并在人工仿真数据集和6个基准数据集上对算法回归预测性能进行了验证;此外,基于MMCC-HKELM算法建立了燃煤锅炉NOx排放预测模型,并设置实验对模型进行了分析,验证了该方法在燃煤电站锅炉NOx预测中的性能优势。

关键词： 航空发动机   极限学习机   故障诊断   剩余使用寿命预测   损失函数  

摘要： 预测与健康管理技术(Prognostics and Health Management,P HM)为航空发动机合理的视情维修提供了支撑。随着人工智能技术的发展,关于智能算法航空发动机的故障诊断与性能预测领域的研究也越来越成熟,而目前的核心算法依然存在较大的研究不足:(1)难以处理在状态监测数据中所含有的大量噪声数据与异常值;(2)算法的性能与训练时间往往存在一定的取舍;(3)对于深度学习在航空发动机的应用的研究较多,而浅层学习的研究略显匮乏。在这种背景下,本文主要研究浅层学习算法在航空发动机的故障诊断与性能预测领域的应用,通过对损失函数的改进为PHM系统提供浅层学习备选算法,本文主要完成了以下工作:(1)为了克服基于最小二乘损失函数的ELM(Extreme Learning Machine)在分类问题上的鲁棒性差与泛化性不足的问题,引入平方弹球损失函数(Square Pinball Loss)来改进ELM的鲁棒性得到了SPELM(Square Pinball Extreme Learning Machine)。在SPELM的基础上,进一步引入一种软阈值的确定方式,改进了SPELM的泛化性,得到了可以用于航空发动机气路故障诊断的SSPELM(Soft Square Pinball Extreme Learning Machine)。(2)PELM(Pinball Extreme Learning Machine)与SPELM作为迭代学习,PELM在训练迭代上耗费较多,虽然PELM的泛化性优于SPELM,但在训练上耗费的迭代次数与时间限制了这一算法在大部分实际工程中的应用。为了克服SPELM与PELM在性能与训练时间上的不平衡,本文提出一种混合损失函数(Mixed Loss),基于这一混合损失函数获得了在训练迭代时间与泛化性间有较好平衡的MLELM(Mixed Loss Extreme Learning Machine)模型。(3)基于MLELM的航空发动机RUL(Remain Useful Life)预测是直接基于状态预测,仅考虑了航空发动机的当前状态,但航空发动机的RUL预测是一个时效积累过程,需要考虑后续状态的影响,基于时间序列的航空发动机RUL预测方法是一个考虑了性能长期变化的方法。为了克服ELM、MLELM、PELM等算法在时间序列预测问题上表现出的不足,引入C损失函数(Correntropy Induced Loss)获得CELM(Correntropy Induced Loss Extreme Learning Machine),并进一步改进C损失函数,提出可用于航空发动机剩余使用寿命预测的改进的C损失函数极限学习机ICELM(Improved Correntropy Induced Loss Extreme Learning Machine)。

关键词： 改进粒子群算法   极限学习机   组合预测   光伏出力预测  

摘要： 在国家环境污染不断加剧的今天,能源结构面临巨大的变革,可再生能源获得大力发展,光伏发电由于具有安全、清洁、高效、无污染、无噪声等优点,受到世界各国的青睐,其中光伏发电装机容量稳步提高,然而由于光伏电源有功出力的间歇性、随机性等特点,使得光伏发电站大规模并网时势必会给电力系统的稳定性带来威胁。为了保证其并网过程的安全性和稳定性,充分利用好光伏发电的优点,本文围绕着光伏发电功率预测技术进行了深入的研究。首先,本文总结了国内外对于光伏发电功率预测技术的经验和方法,说明了光伏发电系统的组成及其主要作用机理,光伏发电系统的分类,并结合现场数据分析了影响光伏发电功率预测技术的因素,分析判断不同因素对光伏发电功率预测产生的影响。然后,介绍了几种光伏发电功率预测基础理论,为后续进行功率预测奠定了理论基础,并分析了光伏发电功率预测误差评价标准。为了验证组合预测方法比单一算法作用效果更显著,在精准度、时效性等方面更为优秀,针对性提出基于灰色极限学习机组合模型的光伏出力预测模型,有效融合灰色预测、极限学习机预测模型特点,发挥两者的优势,解决传统单一模型发电的不足和问题。为有效控制ELM网络隐含层偏置和输入权值在随机给定作用下产生的误差问题,在分析已有模型优缺点的基础上,针对性提出混沌粒子群优化和遗传粒子群优化极限学习机的光伏发电模型,同时通过改善连接权值和阈值,评估科学合理的输出权值矩阵,有效降低在随机参数影响下的误差。经实验对比分析优化前后算法的预测准确率和误差,表明改进粒子群算法优化极限学习机所建立的光伏发电功率预测方法,具有更高的准确率,并有效的对电站运行状态做可靠预判。

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。