关键词： 短期交通流量预测   变分模态分解   深度极限学习机   组合模型   时序性质  

摘要： 阐述为提高短期交通流量数据预测的精度，提出一种基于变分模态分解（VMD）和深度极限学习机（DELM）的组合预测模型，以解决传统预测模型在处理非线性和非平稳时序性质数据时存在的不足。首先，采用VMD方法将原始交通流量数据分解为若干模态分量。然后，针对不同模态分量的特性，分别采用DELM模型进行预测。最后，将各模态分量的预测结果叠加，得到最终的预测值。

关键词： 锂电池   健康状态   海鸥优化算法   深度极限学习机  

摘要： 针对锂电池健康状态预测准确度较低的问题，本文提出一种基于海鸥优化算法优化深度极限学习机的健康状态预测方法。首先，选取电池充放电循环的等压升充电时间和等压降放电时间作为预测健康状态的特征参数，并采用Pearson相关系数定量分析其与电池健康状态的相关性。然后，建立海鸥优化算法-深度极限学习机模型，通过学习健康状态和特征参数的样本，预测后续循环的健康状态值。最后，利用公开的电池数据进行预测，并分析预测结果，与极限学习机、深度极限学习机和其他研究的预测结果进行对比，引入最大绝对误差和方均根误差作为量化评价指标。结果表明，海鸥优化算法-深度极限学习机模型相较其他常见模型具有更高的训练测试精度、更短的预测时间，能够实现锂电池健康状态的准确预测，最大绝对误差和方均根误差均低于0.01，预测准确度高、适用性强。

关键词： Support vector machines  

摘要： In order to solve the problem of difficulty in constructing forecasting models caused by the characteristics of power grid materials, such as many varieties, diverse specifications, huge quantities, wide range of uses, and great influence by policies and investments. Firstly, the factors affecting the quantity of material demand for infrastructure, business expansion, and emergency repair projects were screened by the Delphi method and gray correlation analysis (GRA). Secondly, an improved particle swarm algorithm that introduced adaptive inertia factor and learning factor was utilized to adjust the optimal parameter combinations of the extreme learning machine, and train the material demand prediction models for various distribution network projects. Finally, the results of the GRA-IPSO-ELM (grey relational analysis, improved particle swarm optimization, and extreme learning machines) model were compared with the results of four common forecasting models by taking the demand of 10 kV power cables of a power grid for 2020—2022 infrastructure projects as an example. The results show that the prediction accuracy of the GRA-IPSO-ELM model is improved by 10. 38%, 5. 37% and 3. 83% compared with the ELM model, the support vector machine model and the PSO-ELM model, which shows that the model proposed in this paper realizes accurate and efficient prediction of the quantity of material demand in the distribution network. © 2025 Beijing Kexue Jishu yu Gongcheng Zazhishe. All rights reserved.

关键词： 物理知情极限学习机(PIELM)   微分算子   无数据建模   结构动力学   动态响应预测  

摘要： 该文提出了一种基于物理知情极限学习机（Physics-Informed Extreme Learning Machine， PIELM）的结构动力响应预测方法，以解决传统数值方法依赖大量计算资源和数据驱动的机器学习模型需要高质量训练数据的问题。该方法以极限学习机(ELM)架构为基础，通过其高阶导数的共性构造微分算子，将结构动力学问题转变为求解输出权重的问题。通过微分算子的形式将结构动力学的物理信息有效嵌入损失函数之中，方法在进行预测时不依赖训练数据，具有物理可解释性和泛化能力。数值案例表明：本文提出的方法相较于传统数值方法对时间步长的适应性强、预测精度高、误差控制能力强，为结构动力响应预测提供了一种高效、准确的预测方法。

关键词： 隧道工程   变形预测   优化算法   极限学习机   归一化互信息法  

摘要： 为确保隧道施工在安全、经济和高效方面的要求得以满足,对隧道变形进行准确预测是十分必要的。针对隧道变形数据具有非线性和时序性等特征,提出了一种基于NMI-SS-FOA优化极限学习机(ELM)的隧道变形预测模型。该模型首先通过NMI(归一化互信息)法筛选出影响隧道变形的关键参数,将筛选后的参数作为数据集,然后基于扇区搜索机制的果蝇优化算法优化下的极限学习机(SS-FOA-ELM)来预测隧道的变形,并与数学统计预测模型、BP神经网络模型、随机森林方法、SVR(支持向量回归)模型和ELM模型的预测结果进行对比。结果表明:NMI-SS-FOA优化极限学习机的隧道变形预测模型能有效预测隧道变形,其预测结果对应的均方根误差(E_(RMSE))、平均绝对百分比误差(EMAPE)、a_(10)指数(a_(10))和决定系数(R^(2))分别为5.06、19.42%、0.932和0.607,其预测效果较其他预测模型更好;覆盖层厚度(H)、岩体黏聚力(C_(rm))和岩体内摩擦角(φ_(rm))对预测结果影响较大。研究结果可以为隧道施工引起的隧道变形预测和控制提供参考。

关键词： 无氟保护渣   黏度预测   鲸鱼优化算法   极限学习机  

摘要： 针对结晶器无氟保护渣黏度值预测复杂、预测精度低的问题,提出了一种基于改进鲸鱼优化算法的极限学习机模型并用于无氟保护渣黏度值预测。首先,构建无氟保护渣成分数据集,并对保护渣中成分与黏度值进行相关性分析;然后,利用改进Tent混沌映射和反向学习策略初始化鲸鱼优化算法的种群,融合非线性收敛因子和自适应t分布变异策略提高算法对极限学习机中超参数的寻优能力;最后,对无氟保护渣数据集进行黏度值预测对比实验,验证了改进算法的有效性。结果表明:与反向传播神经网络(back propagation neural network, BPNN)、极限学习机(extreme learning machine, ELM)模型相比,平均绝对百分比误差平均降低了29.50%,在寻优精度、预测精度和稳定性方面取得较大提升。

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。