关键词： 优化极限学习机   改造   前期阶段   造价预测   综合  

摘要： 为实现对综合改造提升工程前期阶段造价的高精度预测,引入优化极限学习机,开展综合改造提升工程前期阶段造价预测模型设计研究。通过筛选关键造价预测指标,构建全面反映项目特征的指标体系。随后,结合岭回归正则化方法,构建优化极限学习机模型,有效提升模型的泛化能力。进一步,通过网格搜索与交叉验证策略对模型超参数进行精细优化,实现预测精度的显著提升。对比实验结果表明,该模型在预测准确性上优于现有方法,可为综合改造提升工程前期阶段的造价管理提供有力支持。

关键词： 车辆工程   行驶里程预测   电动汽车   深度极限学习机   变分模态分解   蜣螂优化算法  

摘要： 为实现对电动汽车行驶里程的准确预测，本文综合考虑电池性能与行驶参数，提出一种基于变分模态分解（Variational Mode Decomposition， VMD）算法与经过蜣螂优化（Dung Beetle Optimizer， DBO）算法优化参数后的深度极限学习机（Deep Extreme Learning Machine， DELM）模型相结合的行驶里程预测方法。首先，通过探讨车辆运行状态、驾驶行为及外部环境对行驶里程的影响，构建包括百公里能耗、驾驶行为和环境温度在内的6项特征指标。其次，采用VMD算法降低原始数据的非线性和非平稳性，并利用DBO算法对DELM模型的参数进行优化，从而建立基于VMD-DBO-DELM集成算法的电动汽车行驶里程预测模型。最后，对所构建的预测模型与现有其他模型的预测结果进行比较分析。结果表明，VMD-DBO-DELM模型在预测性能方面显著优于其他模型，在两种工况下均表现出最高的预测精度，能够准确拟合行驶里程的变化趋势。

关键词： 变分模态分解   负荷预测   多核极限学习机   粒子群与遗传算法  

摘要： 提出一种基于变分模态分解技术结合粒子群与遗传算法优化的多核极限学习机模型用于电力负荷预测。该模型能够将原始电力负荷序列分解为不同频率的子序列,并将子序列分别与改进后的多核极限学习机预测模型相结合,重构各个子序列得到最终预测结果。针对单核极限学习机难以表征多负荷数据的特征问题,采用多核极限学习机进行预测,加强了负荷模型在不同特征下的全局搜索能力。使用某地区实际负荷数据进行对比测试,结果表明所建立的负荷预测模型能够得到更精确的预测结果。

关键词： 光学直流测量装置   误差预测   极限学习机   粒子群优化   变分模态分解  

摘要： 随着我国直流输电系统的快速发展,基于光学原理的换流站极线直流测量装置得到广泛应用,准确预测其测量误差的趋势,对运维及直流输电系统的保护、控制极为重要。针对现有方法预测误差大、训练效率低的问题,本文提出基于变分模态分解和极限学习机的误差预测方法,先对测量装置误差时间序列进行变分模态分解,再用经粒子群算法寻优后的极限学习机对每个模态进行多步预测,并通过重构得到预测的测量误差。最后,多模型对比结果验证了本文所提方法的优越性。

关键词： 电力负荷预测   灰狼算法   DBSCAN   极限学习机   预测精度  

摘要： 研究短期电网电力负荷预测问题,提出一种基于改进灰狼算法(IGWO)和极限学习机负荷预测的方法。提出改进的灰狼算法,通过引入自变权重系数和精英扰动更新策略,以提高IGWO全局寻优能力。利用DBSCAN算法对电力负荷数据集进行聚类分析,最大限度降低数据差异性对预测精度影响。利用IGWO优化后的ELM模型(IGWO-ELM)对分类电力负荷数据集进行预测。仿真结果表明,与其他预测方法比较,所提分类IGWO-ELM预测精度更高。

关键词： 核极限学习机   AdaBoost集成学习   龙格库塔算法   脱硫出口SO_(2)浓度   预测模型  

摘要： 脱硫出口SO_(2)浓度的准确预测对实现脱硫系统经济运行具有重要意义,针对脱硫出口SO_(2)浓度影响因素众多,难以准确预测这一问题,提出了基于龙格库塔优化的核极限学习机(KELM)和改进AdaBoost集成算法相结合的预测模型。首先采用核极限学习机作为弱预测器,利用AdaBoost集成算法组合构建强预测器,通过调整脱硫系统不同工况下运行数据权重,建立了一种基于AdaBoost集成算法的出口SO_(2)浓度预测模型。为进一步提升模型学习性能和预测精度,通过引入惩罚系数和先验知识参数改进AdaBoost算法的损失函数,运用龙格库塔算法对KELM的正则系数C和核参数S进行寻优,克服初始参数设置对模型稳定性和预测精度的影响。最后利用电厂运行数据进行仿真实验,结果表明,所建立的出口SO_(2)浓度集成模型预测性能优越、准确度高,能够为脱硫系统优化控制提供技术支持。

关键词： 热连轧   蚁群优化算法   深度极限学习机   宽度预测  

摘要： 热连轧粗轧生产过程中,为解决换规格后宽度设定精度低的难题,提出了一种蚁群优化算法协同深度极限学习机(ant colony optimization deep extreme learning machine,ACO-DELM)的热连轧粗轧宽度预测方法.该方法将蚁群优化算法应用于DELM网络中,以提高其预测精度和泛化能力.先利用数据预处理方法对原始数据进行异常值的剔除和数据归一化.然后,使用蚁群优化算法对DELM的隐藏层节点数、迭代次数进行优化,在隐藏层节点数达到95个、迭代次数为480次时,DELM模型的预测性能最佳,其在预测不同规格带钢平均宽度时,决定系数R^(2)达到0.9989,97.98%的样本点预测误差分布在-7~7 mm.应用结果表明,与传统的深度极限学习机(DELM)、卷积神经网络(CNN)等模型相比,ACO-DELM模型在预测精度和泛化能力上有明显的提升,可有效应用于热轧带钢的平均宽度预测.

关键词： 极限学习机   鲸鱼优化算法   中子通量   k_(eff)   参数预测方法   随机森林  

摘要： 通过模拟和扩展人类智能,人工智能能够解决预测反应堆k_(eff)和中子通量等问题。本研究选用国际原子能机构(International Atomic Energy Agency,IAEA)反应堆作为研究对象,以稳态时的堆芯中子通量和k_(eff)为预测量,通过堆芯物理分析程序ADPRES生成数据样本后,利用极限学习机(Extreme Learning Machine,ELM)构建中子通量和k_(eff)的基础神经网络模型,随后通过随机森林(Random Forest,RF)评估特征值重要程度以建立各模型最佳输入特征子集,采用遍历方法确定隐藏层最佳神经元数目,最后使用鲸鱼优化算法(Whale Optimization Algorithm,WOA)对其初始权值与阈值进行优化,进一步提高了模型的精度。研究结果显示:经降维优化处理后,神经网络的预测能力有较大提升,其中k_(eff)的预测精度提高了两个量级,中子通量的预测误差降低了87.24%,并且减少了模型训练时间。本文构建方法对快速评估堆芯物理特性有一定参考意义。

关键词： 短期电力负荷预测   极限学习机   在线学习   正则化  

摘要： 为满足智能电网对电力负荷实时预测的需求,提出基于稀疏递归最小二乘法的极限学习机(SRLS-ELM)在线学习算法,用于短期电力负荷的在线预测.相比在线序列ELM, SRLS-ELM算法无需选择离线样本初始化网络输出权重,将网络学习的平方误差与输出权值的稀疏正则化项相结合,用l1-范数稀疏化网络隐藏层节点,用次梯度策略解决求解过程中代价函数无法处处可微的问题,以递归最小二乘的训练方法完成在线学习,根据估计误差自适应寻找最优正则化参数.仿真结果表明,基于SRLS-ELM的算法能有效简化网络结构,且与ELM、堆叠核ELM批量、在线序列ELM半在线以及精确在线支持向量机回归模型相比,对短期电力负荷在线预测时具有更高的预测精度和学习效率,且鲁棒性强.

关键词： 改进极限学习机   短期   电力负荷   分布式   预测  

摘要： 为提高短期分布式电力负荷预测的准确性,生成可靠的预测区间,基于改进极限学习机,对短期分布式电力负荷预测方法展开研究。实时采集分布式电力负荷数据,从采集的数据中,提取短期分布式电力负荷特征。在此基础上,利用改进极限学习机,激活隐藏层,计算输出权重,实现短期分布式电力负荷预测。试验结果表明:基于文章提出的方法应用后,负荷预测结果更加接近真实值,预测误差波动较小,且预测区间覆盖率均达到了97.2%以上,有效提高了预测结果的准确性和可信度。