关键词： 风功率短期预测   核极限学习机   蜂群算法   小波变换  

摘要： 风能作为一种储量大，分布广，污染小的可再生能源，近年来发展迅速，尤其在电网中的渗透率持续上升。但由于风能本身具有间歇性与波动性，风电在并网后会对电网的稳定运行带来巨大的挑战，因此为了提高整个电网在风电并网后的安全性和稳定性，对风力发电进行实时准确的预测显得尤为重要。本文结合内蒙某风场的实际数据，对风电功率短期预测展开研究，主要工作如下：　　首先，针对历史风电数据中有较多异常数据的问题，本文采用高斯平滑的数据预处理方法。对于数据中的异常值和缺失值，采用均值加减3倍标准差和二次插值法为处理原则，并通过仿真实验进行对比，验证了该方法的有效性，可以得到更高效、可靠的数据集。　　其次，由于现有短期风电功率预测方法泛化性不足和精度有限，考虑到人工蜂群算法(ArtificialBeeColony,ABC)求解质量高以及核极限学习机(KernelBasedExtremeLearningMachine,KELM)泛化性强的优点，本文将人工蜂群算法与核极限学习机算法进行结合。针对传统人工蜂群算法的收敛速度一般，容易陷入局部最优的问题，本文采用了基于记忆机制的改进蜂群算法(MemorialandModifiedABC,MMABC)。改进蜂群算法在原算法的基础上加入了信息反馈机制、对数效应以及引入最优引导的淘汰更新函数，通过仿真验证了相比较传统的优化算法，改进蜂群算法拥有更强的收敛速度和精度。　　最后，由于小波变换(WaveletTransform,WT)对处理非平稳信号的能力较强，为减小风电数据的波动性对风功率预测的影响，本文提出一种基于WT-MMABC-KELM短期风功率组合预测方法。通过小波重构误差实验，最终选择紧支撑性和正则性强的db4小波做4层分解来进行实验。用小波变换将历史风功率数据分解为多个子序列进行特征提取，子序列相比于原序列的特征性要更加突出，通过提取各个频率下隐含的主要特征，将各个分量预测结果叠加求和得到最终风功率预测值。为更好的验证本文方法的有效性，对一年的数据分为4个季节进行仿真实验，通过结果对比以及4种误差指标的分析，验证了本文所提出的基于WT-MMABC-KELM短期风电功率组合预测方法的有效性，具有较高的预测精度，能够适应对预测精度有较高要求的情况。

关键词： 风力发电   功率预测   极限学习机   蚯蚓优化算法  

摘要： 近年来，风力发电技术迅速发展，风力发电机组在电力系统中的比重迅速增长。而作为一种具有高度随机性和不稳定性的自然资源，当风电渗透率超过一定百分比时，如果不进行准确的风电功率预测，势必会影响到电能质量和电力系统安全稳定运行。因此，风电功率预测对风电场和电力系统稳定运行具有十分重大的意义。然而风电功率预测存在多种不确定因素，导致预测结果存在不同程度的误差。为了合理地配置备用容量，进行风电功率区间预测是十分必要的。基于当前风电功率预测存在的准确度不高、预测值不稳定的问题，本文在风电功率确定性预测基础上研究了区间预测。　　首先，在辽宁省A、B两个风电场获取实际数据。应用DBSCAN聚类算法进行异常数据的剔除，采用插值法和滑动平均法两种方法进行异常数据的重构。其次，针对现有神经网络预测方法存在易陷入局部最优值的不稳定问题，提出一种应用蚯蚓优化算法(Earthworm Optimisation Algorithm，EWA)改进极限学习机(Extreme Learning Machine,ELM)的风电功率短期确定性预测模型。然后，计算误差的概率分布从而进行区间预测，分别计算出A、B两个风场在90％、80％、70％三个不同置信度水平下的风电功率预测区间，并建立完善的指标体系对区间预测结果进行评价。通过实际算例验证了EWA-ELM-Beta分布模型能够有效进行短期风电功率的区间预测。本文创新点主要有:　　1.应用DBSCAN聚类算法进行异常数据的剔除，采用插值法和滑动平均法两种方法进行异常数据的重构;2.建立EWA-ELM模型，应用EWA的寻优功能，确定ELM的最佳网络参数，避免了输入层权值和隐含层阈值随机产生，导致网络不稳定，提高了原有模型的训练速度和预测精度;3.采用A、B两个不同量级的真实风电场数据，对比BP、ELM、GA-BP、EWA-BP、GA-ELM、EWA-ELM 六个模型;4.建立EWA-ELM-Beta分布的风电功率区间预测模型，计算训练集误差的Beta分布函数，在置信度确定的情况下，应用滑动求解法求解最小概率区间;最后，对本文所做的工作进行总结，再次验证研究风电功率的短期区间预测的必要性，并指出有待进一步研究的方向，在后续研究中可以通过选取更多的风电场数据，并考虑风电场内各个风机状态例如齿轮箱油温的影响等。

关键词： 极限学习机   降水量   混沌粒子群算法   集合经验模态分解   预测  

摘要： 基于降水量时间序列通常具有非线性、高波动性等特性,利用单一预测方法无法得到精确结果。因此,本文提出了一个基于智能优化算法和极限学习机(ELM)的组合预测模型,并进行仿真实验,验证了模型的有效性。(1)针对降水量时间序列受外界多方面因素影响,而使得原始信号中存在大量复杂性,信号波动性较大的情况,本文采用集合经验模态分解方法提取降水量内在特征信息,同时保留了不同时间尺度的分布规律,极大降低原始降水量时间序列的复杂性。并将集合经验模态分解方法(EEMD)与经验模态分解方法进行对比,验证了EEMD的有效性。(2)分别使用了BP神经网络和极限学习机建立降水量预测模型,并开展了仿真实验。从预测数据、预测趋势和误差指标(均方根误差、平均绝对误差、平均绝对百分比误差)三方面验证了极限学习机优于BP神经网络,故选择极限学习机作为主要预测模型。(3)分别应用粒子群算法(PSO)、混沌粒子群算法(CPSO)优化极限学习机(ELM)参数,进行实验仿真并计算误差指标,结果显示混沌粒子群优化极限学习机(ELM-CPSO)的预测结果高于粒子群优化的极限学习机模型(ELM-PSO)。在此之上,将集合经验模态分解应用到ELM-CPSO中去,形成EEMD-ELM-CPSO组合预测模型,并进行模拟仿真。分析得到:本文提出的EEMD-ELM-CPSO组合预测模型的平均绝对百分比误差比单一预测模型、ELM-CPSO、ELM-CPSO分别提高了11.9%,9.3%,6.6%,4.1%,结果明显该模型具有良好的预测性能。

关键词： 油钾兼探   钾盐储层预测   波阻抗反演   全连接钾盐储层预测网络   卷积极限学习机钾盐储层预测网络  

摘要： 川东地区钾盐资源丰富,为了加大该地区钾盐资源的勘探力度,在“油钾兼探”方针的指导下,开展了对川东地区钾盐储层的研究。由于钾盐含量与地震响应之间缺乏直接明确的关系,难以建立特征方程,因此目前对钾盐储层的地震勘探认识有限。为解决此问题,本文以钾盐储层的地震反射特征和测井岩石物理特征为基础,结合波阻抗反演结果对川东地区钾盐储层进行了间接初步预测。受地震强振幅和分辨率的限制,基于波阻抗反演结果的钾盐储层预测结果的井吻合率不高,无法满足钾盐资源的进一步勘探需求。针对基于波阻抗反演结果无法直接有效地识别钾盐储层的问题,本文利用全连接网络强大的非线性拟合能力,开展了川东地区基于全连接网络模型的地震钾盐储层预测方法研究。首先以地震属性数据和测井钾盐含量曲线数据为基础,构建了监督型全连接钾盐储层预测网络,然后通过该网络直接获得了川东地区的钾盐含量数据体,之后结合钾盐储层的地球物理特征对钾盐储层分布进行了预测。尽管该方法可以直接预测钾盐储层,但受到网络模型、地震特征属性数据集等因素的影响,提出的全连接钾盐储层预测网络泛化能力不足,导致钾盐储层预测结果的井吻合率仍不理想。为进一步提高钾盐储层预测网络的井吻合率,减小钾盐储层的识别误差,本文根据极限学习机优秀的泛化能力和卷积神经网络自主挖掘数据特征的特点,开展了川东地区基于卷积极限学习机的地震钾盐储层预测方法研究。首先以地震波场和测井钾盐含量曲线数据为基础,构建了卷积极限学习机钾盐储层预测网络;然后通过该网络直接获得了川东地区的钾盐含量数据体,并结合钾盐储层的地球物理特征进行了钾盐储层的分布预测;最后与基于波阻抗反演结果的钾盐储层预测方法、基于全连接网络的地震钾盐储层预测方法进行了对比。分析结果发现,卷积极限学习机得到钾盐储层的预测结果不仅呈现出了良好的成层性,还有更高的井吻合率。

关键词： 降雨型滑坡   位移预测   特征工程   深度神经网络   深度学习  

摘要： 滑坡灾害严重威胁人类生命财产安全。由于地质条件复杂,地形起伏较大,我国西南地区更是滑坡灾害的多发区。有统计显示,除了少部分因为地震或人工因素引起的滑坡,80%的滑坡为降雨型滑坡。每年雨季到来,随着降雨量与降雨日长的增加,受降雨影响的滑坡进入高发期。为了切实有效的对降雨型滑坡展开防治预警,大量的滑坡监测设备被布置在滑坡隐患点。监测设备以及数据采集、传输、存储技术的高度发展推动了滑坡信息深入挖掘的研究,深度学习技术中的深度神经网络模型成为处理复杂滑坡数据的首选模型。然而,由于滑坡自身的复杂性、多变性、随机性等原因,滑坡预测预报仍面临着诸多问题。本论文针对降雨型滑坡的形变预测问题展开研究。首先,探究了常用的异常值剔除方法以及缺失值填充方法在滑坡监测数据预处理过程中的适用性;接着,对滑坡监测点位移数据展开分析,对其进行特征工程处理,包括样本集组合、样本特征筛选等操作;最后,针对深度神经网络(DNN,Deep Neural Networks)容易陷入局部最优点而导致精度降低的缺陷,采用Boosting中的Ada Boost算法对DNN深度神经网络进行改进,并对预测结果进行了精度评估。通过对以上所述问题的分析研究,本论文主要取得了如下研究成果:(1)结合滑坡数据具有一致性的特点,先利用箱型图剔除异常值,然后对箱型图剔除的“异常值”进行二次筛选,将其分为真正的异常值以及滑坡真实规律体现的假异常值。在异常值剔除后,本文探讨了几种缺失值填充方法在降雨型滑坡监测数据上的适用性。(2)引入了数据挖掘中的特征工程方法对降雨型滑坡影响因子进行分析。首先、对原始降雨数据进行特征变换,变换为当日降雨等级、前期累计降雨、历史平均降雨以及历史降雨天数,使降雨特征更符合降雨对滑坡位移的作用机制;接着,考虑到滑坡自身状态的连续性,将历史滑动值与预测值作散点图分析,结果图表明二者线性关系较强;最后分析了时间特征对滑坡日位移带来的影响,并将月份作为特征加入样本集。在对上述因素分析过后,采用特征交互方法丰富特征表示,最终通过树类算法以及斯皮尔曼相关系数法去除无关特征及冗余特征。(3)建立了滑坡日位移深度神经网络预测模型,详细阐述了预测模型中超参数的确定方法,并针对深度神经网络容易陷入局部最优点导致精度不高的缺陷,提出采用Boosting中的Ada Boost算法对其加以处理。结果表明,经过Ada Boost算法处理后的深度神经网络模型预测精度明显提高。此外,通过绘制学习曲线与传统方法进行对比,实验结果表明Ada Boost-DNN算法对数据量比较敏感,随着用于训练的数据量的提升,预测精度逐渐提升。在确保数据量的情况下,预测精度优于决策树、SVM、GBDT、随机森林等传统算法。

关键词： 晚点预测   ELM   PSO   高速铁路   机器学习  

摘要： 我国逐渐形成以“八纵八横”为短期规划的高速铁路网,与此同时,高速铁路也以其运行速度快、正点率高、输送能力强等特点受到人们的青睐。然而,因为各种不可避免的因素的干扰,列车的运行时常会偏离计划的时刻表。若未及时且有效的调整列车的运行计划,可能会危及行车安全。为了能给调度员提供较为精准的列车晚点信息,有效缓解因干扰而造成铁路运输效率下降和安全性降低等问题,本文实现了对列车到达晚点和出发晚点的准确预测。具体研究内容如下:(1)分析归纳了列车晚点的相关理论。梳理了造成列车晚点的成因及晚点类型,介绍了晚点传播和吸收的机理。为本文的研究提供理论支撑。(2)对列车到达晚点和出发晚点进行统计分析。基于武广高铁路线上列车实绩运行数据,从车站的角度完成了对各车站的列车到发时间偏差量的统计,从车站和区间两个角度完成了对列车在车站和区间的晚点率的排序,研究列车到发晚点在空间上的特性与规律。(3)建立了基于粒子群算法(PSO)优化极限学习机(ELM)(PSO-ELM)的列车晚点预测模型。首先,在对本文晚点预测的场景进行了详细界定之后,提取了可能影响列车晚点时长的时空特征和基础设施特征因素,包括第三章统计分析得到的车站晚点率、列车计划到站顺序和车站到发线数目等。随后,利用决策树算法对这些特征进行了重要度排序,分别确定了影响列车到达晚点和出发晚点的特征集。最后,利用武广高铁线上的列车实绩运行数据进行案例研究,验证了本文提出的预测模型的良好性能,优于基于最近邻(KNN)、梯度提升决策树(GBDT)等算法建立的晚点预测模型,并将粒子群算法(PSO)与贝叶斯优化算法(BO)和遗传算法(GA)优化ELM超参数的效率和精度进行了对比,结果证明粒子群算法(PSO)的效率和精度最高。(4)在本文第三四章的研究基础上,结合武广高铁线上列车的运行数据和高铁现场调研的用户需求,开发了高速列车晚点分析和预测系统,实现了列车到达和出发时间的统计分析和列车晚点准确预测的管理与展示,支撑高铁管理者精细化掌握晚点情况,辅助制定相关的调度计划。图39幅,表26个,参考文献54篇。

关键词： 滑坡   演化状态预测   时空预测   多任务学习   滑坡控制   降级控制  

摘要： 滑坡是一种破坏性极高的地质灾害,全球范围内滑坡灾害频发,对人们的生命财产安全造成了严重威胁。因此,基于滑坡监测系统提供的基础数据,深入研究滑坡演化状态的预测及其控制,降低滑坡灾害的影响,理论意义和现实意义显著。滑坡作为非线性动态系统,演化形变机理复杂未知,可获得实际数据量较少。长短时记忆网络适用于对动态系统进行建模,多任务学习借助信息共享在一定程度上可以缓解小样本问题。本文将多任务学习引入滑坡演化状态预测和控制研究中,并在白水河和石榴树包滑坡上进行实例分析。首先,提出滑坡演化状态级别分类预测问题,定义两种滑坡演化状态,使用高斯混合模型(GMM)重构带标注数据集,建立基于多任务学习-堆叠长短时记忆网络(MTL-SLSTM)的滑坡演化状态级别预测模型,使用任务权重规则设计多任务损失进行网络训练,实现了单一监测点演化状态的高精度并行多步预测;其次,考虑同一滑坡体上不同监测点的时空关联性,分析时空数据并构建时空特征,结合多任务权重学习、多任务关系学习方法,设计多任务关联学习机制并构建时空关联,建立基于多任务关联学习-堆叠长短时记忆网络(MTCLSLSTM)的滑坡多点预测模型,以较高的精度实现对多个监测点演化状态的单步预测;最后,基于滑坡演化状态预测,引入神经直接逆控制思想,提出滑坡降级控制方法,搭建使用模型选择策略的基于Bootstrap的区间预测网络(S-BS-PIs),离线训练安全降雨区间预测器,结合滑坡演化状态级别预测器,设计在线降级控制流程,实现了对危险滑坡单一监测点的单步控制。本文重点研究了滑坡预测和滑坡控制两个关键问题。利用神经网络和多任务学习方法进行滑坡演化状态预测,并通过数据驱动的控制方法获取有效的控制变量,从而为滑坡防治提供预警信息和参考方案。

关键词： 边坡位移预测   变分模态分解   核极限学习机   鸟群优化算法   多步预测  

摘要： 近年来边坡位移形变的事故猛烈增加,对人民的生命财产安全造成了很大的影响,针对边坡进行变形监测以及预测其未来变形趋势变得尤为重要。但是边坡位移数据曲线具有很高的非线性和复杂性,传统的预测方法存在很多不足,因此具有强大的非线性学习能力的机器学习算法被引入至边坡变形预测中。在众多的机器学习算法中,核极限学习机以其运行速度快、泛化能力强等优点,被广泛应用在边坡变形预测中,并取得较好的结果。因此本文主要采用KELM算法对边坡位移序列进行预测研究。主要研究内容包括:(1)首先分析总结了边坡变形的相关知识,在介绍边坡监测系统的基础上,选取了2019年6月至2020年7月某实际边坡位移数据为具体研究对象,对采集得到的数据进行了异常点修正、缺失数据补充等预处理,为后续建立边坡位移预测模型提供数据支撑。(2)针对边坡位移序列具有混沌特性,采用了相空间重构的方法对边坡位移序列进行了重构,使模型可以在相空间中进行建立和预测。针对相空间重构中的嵌入维数和核极限学习机的惩罚函数和核函数这三个数值难以选取,采用了鸟群算法对其进行参数寻优,最终建立了BSA-KELM预测模型。(3)原始的边坡位移数据为非平稳非线性信号,其突变性和随机性均会降低预测的精度。采用了变分模态分解技术将原始的位移序列分解为多组子分量,从而降低数据的非线性和提取数据的细节特征,之后再对各个分量分别构建BSA-KELM预测模型进行预测。结合实际数据,证明了该方法提高了预测精度。(4)针对现有的单步预测模型提供信息不足的情况,建立了递归多步和多输出多步两种预测模型。结合实际数据对其进行了未来六步的多步预测,结果表明当训练数据样本较少时,递归多步模型的精度要优于多输出模型,当训练数据样本充足时,多输出模型精度要高。

关键词： 滑坡位移预测   支持向量机   极限学习机   乌鸦算法   莱维飞行   区间寻优策略   正则化系数  

摘要： 滑坡在我国目前已成为一种严重危害人民生命财产安全的主要地质灾害,其中尤以黄土滑坡最为典型与严重。由于特殊的地质结构及易受外界环境影响等因素,导致黄土滑坡体易变形失稳所造成的危害及其严重。因此,开展有关黄土滑坡体高精度位移预测研究对于滑坡防灾减灾具有重要的理论与实际意义。本文以陕西泾阳庙店典型黄土滑坡域为实验区,在充分顾及黄土滑坡体变形特性与外部影响因素(灌溉、降雨和气温等)基础上,基于示范区滑坡监测网获取的高精度位移时序信息,开发了两类改进的群智能寻优融合机器学习算法,并成功应用于示范区滑坡体位移的高精度预测中。研究成果对于滑坡灾害的防灾与预警研究具有重要的理论参考价值,取得的主要成果与创新点如下:(1)提出了一种改进的群智能寻优算法——改进的乌鸦算法(ICSA)。针对传统乌鸦算法(CSA)存在参数寻优过程缓慢、易陷入局部最优,会导致预测模型泛化能力减弱的突出缺点,提出莱维飞行的觅食方式来减弱乌鸦位置更新的随机性,相较于传统乌鸦算法和现有的经典寻优算法更易获取参数的全局最优解,且可极大提高参数的寻优效率。(2)选取两类目前滑坡预测热门模型:支持向量机(SVM)和极限学习机(ELM),并针对上述两类模型在处理滑坡位移预测中小样本、高维度、非线性的样本数据时,存在对于预测风险控制不足的缺陷,提出了基于参数区间寻优的SVM模型和附加正则化因子的极限学习机模型(RELM),提高了机器学习模型应对风险的能力,并进一步采用ICSA算法分别优化SVM和RELM的模型参数,构建出两类群智能寻优融合机器学习算法的滑坡预测高效组合模型:ICSASVM和ICSA-RELM。(3)在充分顾及示范区黄土滑坡外部主要影响因素(灌溉、降雨和温度等)基础上,基于滑坡高精度位移时序信息,将两类滑坡预测高效组合模型ICSASVM和ICSA-RELM成功应用于滑坡体位移预测中,结果显示:两类滑坡预测高效组合模型在拟合与预测的精度方面,均优于粒子群算法(PSO)、遗传算法(GA)和标准乌鸦算法(CSA)优化的SVM和RELM模型。本文提出的改进智能组合算法能以较高的位移预测精度满足滑坡防灾预警的实际需求,对于其他类型滑坡防灾预警研究也具有十分重要的参考价值。

关键词： 微电网   短期负荷预测   数据驱动方法   改进粒子群算法   极限学习机理论  

摘要： 制定合理可靠的发电计划,对微电网系统经济调度具有重大意义。随着智能电网的普及,电力需求越来越大,用电负荷的剧增,将对电力系统维护和容量配置产生巨大影响。同时微电网和可再生能源的广泛应用,使负荷更易受到气象和环境因素干扰,增加了负荷预测的复杂性,一定程度上也影响了预测效率。所以,实现对短期负荷的准确预估,能够在微电网正常工作以及供需侧电能的有效配给方面发挥关键作用。本文以微电网短期负荷预测为研究内容,针对预测准确度进行了深入研究,论文的主要内容如下:首先,通过数据采集装置获得的负荷数据受拉闸断电、系统故障等原因所产生的负面作用,则会导致数据丢失、数据异常等问题。所以,必须将上述问题加以区分并处理,另外,为提升预测模型的训练效率,需要将负荷数据与各个环境参数实施归一化处理。其次,由于极限学习机(Extreme Learning Machine,ELM)的稳定性与隐含层参数有关,若隐含层参数选取不当,常常会导致较大的预测误差,因此在ELM理论的基础上,采用了核函数映射法来取代基于隐含层指标的随机映射,从而实现核极限学习机(Kernel Extreme Learning Machine,KELM)的建模,提高泛化性能。同时在离线ELM模型的基础上,引入一种在线序列极限学习机(Online Sequential Extreme Learning Machine,OSELM)模型,当有新的样本输入时,通过在线学习算法对离线模型进行自动更新,提高了预测模型在动态环境中的适应能力。再次,微电网负荷随机性强,在实际预测中,可能存在模型参数确定困难的问题。提出了一种基于互补集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)和区域划分自适应变异粒子群(Regional-division Self-adapting Variation Particle Swarm Optimization,RSVPSO)算法优化KELM的负荷预测模型。采用CEEMD将负荷序列分解为多组平稳的子序列,以减小不同局部信息之间的相互影响。针对粒子群算法易早熟和收敛速度慢的问题,首先分成若干区域,而后达到惯性权重及学习因子可进行自适应调整的效果,从而使得粒子全局寻优及检索性能得到增强,并结合自适应变异操作避免陷入局部最优,加强核极限学习机预测精度。最后,为了提高负荷预测模型在复杂环境因素下的适应能力和预测效率,提出以主成分分析(Principle Component Analysis,PCA)与粒子群算法为基础,实现了基于在线序列极限学习机的微电网负荷优化在线预测建模(PCA-PSO-OSELM),利用实例分析得出,主成分分析法能够使预测模型的输入维度得到大幅简化,从而将环境要因素彼此间的关联性过滤掉,在基于粒子群算法进行改进之后而得到的在线序列极限学习机算法中,采用了动态更新模型对样本集展开训练,能够获得效果更为明显的估测效率。