关键词： 改进烟花算法   极限学习机   负荷预测   超短期  

摘要： 提出了一种改进烟花算法优化极限学习机的超短期负荷预测模型。首先,对原始烟花算法的映射规则和变异规则进行优化改进,形成改进烟花算法;其次,针对极限学习机随机形成的权值和阈值导致模型不稳定的问题,利用改进烟花算法对极限学习机进行优化。以权值和阈值为变量,以极限学习机的误差系数为目标函数,利用改进烟花算法寻求最优权值和阈值。最后仿真数据分析表明,改进后的烟花算法具有更快的收敛速度和更好的全局寻优能力。改进后的预测模型使负荷预测精确度和稳定性都有显著提升,这表明该模型能够适用于实际电力系统超短期负荷预测。

关键词： 输电线路   覆冰   极限学习机   支持向量机  

摘要： 物体表层的水分会因为受到特殊气象条件的影响导致物体出现覆冰现象,此类现象常见于飞机跑道、高速路等。当覆冰现象发生在电力系统中可能会因此产生诸多不利影响,如使输电线路发生形变而进一步造成损坏,更严重的情况还可能会导致断线,断线造成的停电中断容易引起更大范围的供电系统瘫痪,造成重大经济损失。尤其是在极端天气状况下,事故率非常高,很有必要对该类型事故进行深入分析和研究。

关键词： 用电数据   短期负荷预测   极限学习机,电力营销  

摘要： 随着智能电网的快速推进,电力企业积累了海量的居民用电数据,合理运用这些数据有助于提升电力企业的电力营销与控制水平,因此本文利用居民历史用电数据进行短期电力负荷预测。首先,对居民历史用电数据进行预处理;其次,建立基于极限学习机(Extreme Learning Machine,ELM)的居民用电负荷预测模型;再次,以目标区域的居民用电数据为基础,对所建立的模型进行测试;最后,将居民用电数据的预测结果与电力营销结合起来,提出相应的营销策略。

关键词： 金融时间序列   变分模态分解   极限学习机  

摘要： 金融时间序列一直以来以其非线性、非平稳、信噪比低等特性成为时间序列预测中的难题.本文提出基于变分模态分解的VMD-ELM模型,利用变分模态分解在复杂的金融时间序列数据分解上的特有优势,将金融时间序列数据分解为若干个子模态,再将分解后的子模态作为极限学习机的输入数据进行训练.基于平均绝对误差(MAE),平均绝对百分比误差(MAPE)和平方根均方根(RMSE),通过比较EMD-ELM模型,前馈神经网络(FFNN)和自回归移动平均(ARMA)在西德克萨斯中质原油(WTI),加拿大/美国汇率(CANUS),美国工业生产(IP)和芝加哥期权交易所纳斯达克100波动率指数(VIX)时间序列数据上的效果,表明本文提出的方法在多个数据集上均有优秀的表现.

关键词： 大数据   茶叶   产量预测   极限学习机  

摘要： 在大数据技术日益火热的大背景下,越来越多企业开始将大数据技术与茶叶生产、运输与销售等各个环节进行不同程度的融合,如当前比较火热的茶叶产品溯源系统等都是使用大数据防伪技术进行茶叶产品的品牌保护,然而即使再好的品牌如果没有足够的茶叶作为生产资料,那么企业的生存也将面临威胁,因此本文提出一种基于大数据的极限学习机茶叶产量预测方法,采集面向企业的主要茶叶供应基地的生产环境信息,将采集到的信息通过MapReduce框架系统进行数据大数据,将计算的结果作为极限学习机的输入端,最终输出该生产环境下生产基地茶叶最终产量的预测,最后通过搭建的Hadoop大数据平台进行模拟,通过实验表明,基于大数据的极限学习机算法能够较为准确地预测设定环境条件下茶叶的产量。

关键词： 智能车辆   轨迹预测   深度神经网络   极限学习机  

摘要： 针对轨迹预测中基于物理的运动模型长期预测(超过1 s)不可靠、深度学习预测模型易产生梯度消失或梯度爆炸的问题,提出了一种将改进极限学习机(ELM)和深度神经网络进行信息融合的预测模型。改进的极限学习机以模拟退火粒子群优化(SAPSO)算法为基础,改进的深度神经网络使用修正线性单元(ReLU)函数替换激活函数,并使用均方根反向传播(RMSProp)算法来优化深度神经网络,试验结果表明,提出的预测算法具有较高的预测精度。

关键词： 风电功率   预测   粒子群算法   核极限学习机   分位数回归  

摘要： 提出一种核极限学习机分位数回归的风电功率区间预测模型(KELM-QR),利用核极限学习机拟合能力强和分位数回归非对称形式的绝对值残差最小化的思想,实现风电功率区间的快速准确预测。设计兼顾分位数回归和提高区间覆盖率指标的适应度函数,采用粒子群算法优化模型参数,提高预测性能。与其他方法及不同风场数据仿真对比表明,构建的KELM-QR模型的概率性预测区间的覆盖率更高、平均带宽更窄、鲁棒性好。

关键词： 变形预测   极限学习机   线性模式求解   弹性网络  

摘要： 针对使用传统极限学习机实现大坝变形预测中,因影响因子复杂导致隐藏层个数难以确定的问题,该文提出一种基于极限学习机与弹性网络支持下的大坝变形预测模型。采用极限学习机算法,将大坝变形影响因子由原本的空间映射到极限学习机的特征空间,建立影响因子与变形结果之间的非线性联系,同时将非线性模型转换成一个线性模式求解问题,并使用弹性网络求解该模型。对比基于极限学习机回归与最小二乘回归算法的实验表明:弹性网络拥有更好的稳定性,改善了极限学习机难以处理的过拟合现象,减弱了因训练集样本不同造成的预测误差大的影响,只需任意设置足够数量的隐含层神经元个数就能得到可靠的预测结果,简化了基于极限学习机的大坝变形预测面临的隐含层神经元个数取舍问题。

关键词： 基坑   侧位移   极限学习   遗传算法  

摘要： 为实现基坑侧位移的准确预测,以极限学习机为基础,通过遗传算法和贝叶斯估计进行参数优化处理,以构建出适用于基坑侧位移预测的优化极限学习机模型。实例分析表明:通过不断递进的参数优化,能有效提高基坑侧位移的预测精度,所得预测结果的平均相对误差均小于2%,得出该文预测模型具有较高的预测精度,且预测结果还具有较强的稳定性,验证了该文优化极限学习机模型在基坑侧位移中的预测效果,为基坑侧位移变形预测提供了一种新的思路,值得进一步推广应用研究。

关键词： 光伏发电   预测   评估   改进鸟群算法   极限学习机  

摘要： 准确预测光伏发电系统的输出功率,可以帮助电网调度部门合理安排调度计划,并能够提高光伏发电场的发电效率。为此,文章首先提出了一种改进鸟群(IBSA)算法,并采用IBSA对极限学习机(ELM)进行优化,构建了性能良好的IBSA-ELM预测模型;然后,利用IBSA-ELM模型BSA-ELM模型和SVM模型对光伏发电系统输出功率进行预测,并采用均方根误差(RMSE)和决定系数(R2)对该模型的预测效果进行评估。分析结果表明:IBSA算法的收敛精度优于BSA算法;IBSA-ELM模型的预测精度优于BSA-ELM模型和SVM模型。