关键词： 液力变矩器   参数化设计   灵敏度分析   极限学习机法   性能预测  

摘要： 为了解决一维束流理论性能预测精度低和三维流场仿真计算性能预测耗时长的问题,提出了一种基于极限学习机法的液力变矩器性能预测方法。首先,为了提高改型设计效率,构建了液力变矩器参数化流道模型,并进行了仿真和试验验证。其次,基于三维流场仿真计算和正交设计对选取的设计参数进行灵敏度分析,应用筛选出的关键设计参数建立性能预测试验样本。最后,基于极限学习机法分别构建液力变矩器失速泵轮转矩系数、失速变矩比和最大效率性能预测模型,并对性能预测精度进行评估。结果表明,构建的各性能预测模型均具有较高的性能预测精度,满足液力变矩器性能预测需求。该方法不仅为液力变矩器性能预测提供理论参考,而且为进一步性能优化设计提供了数学模型基础。

关键词： 极限学习机   灰色极限学习机组合   误差分配权重   光伏发电  

摘要： 随着全球能源消耗量的急剧上升,光伏发电由于成本低,环境污染小,得到了大力推广,目前已成为全球能源供给的主体、并且有广泛的应用范围,属于新型情节能源。然而,光伏电站当前在短期功率预测方面依然不太准确,通过利用灰色模型、极限学习机相互组合,形成全新的评估预测方法。方法需要分成两个板块的程序设计,即灰色GM(1,1)模型、极限学习机模型,以此实现数据录入、灰色GM模型预测、极限学习机模型预测以及灰色极限学习机光伏发电功率的预测。最后分别计算灰色模型和极限学习机模型预测结果的平均绝对百分数(MAPE)误差,按照MAPE的大小分配权重并重新组合,得到组合预测结果。研究证明,该方法相对单一的灰色GM(1,1)模型、极限学习机预测而言,在预测精准度上更高,并且整体预测结果符合真实水平。

关键词： 电力需求预测   因子分析   极限学习机   误差检验  

摘要： 科学准确预测中长期电力需求有利于电力工业的科学规划与经济社会的协调发展。通过考虑宏观经济、产业结构等六大类共24个影响电力消费的因素,较为全面地体现经济特征,使用因子分析有效消除因素之间的多重共线性。基于参数设置相对简单的极限学习机,提出改进的粒子群算法优化的极限学习机模型。通过实证分析,利用该模型进行历史负荷序列预测,验证模型的有效性。

关键词： 锂离子电池   健康状态   极限学习机   自适应粒子群优化(APSO)  

摘要： 针对目前利用机器学习方法预测锂离子电池健康状态(SOH)存在的训练时间长和预测精度低的问题,本文提出了一种基于改进型极限学习机(ELM)的SOH预测模型。首先利用灰色关联分析法选取出健康因子(HI)并将其作为模型的输入。然后通过自适应粒子群优化(APSO)算法对多层极限学习机(ML-ELM)的输入权重和隐层偏置进行了优化。最后利用NASA的3组锂离子电池数据对所提出的模型进行验证,并且与其他机器学习算法进行了比较。仿真实验结果表明,本文提出的APSO-ML-ELM算法的预测结果的RMSE小于2%并且MAPE小于1%,训练时间也相对更短。

关键词： 土壤湿度预测   粒子群算法(PSO)   极限学习机(ELM)   RandWPSO-ELM模型   随机权重  

摘要： 土壤湿度的预测对农业生产和科学研究都有着重要的意义.针对极限学习机(ELM)回归模型预测结果受输入参数影响的问题,本文将随机权重的粒子群优化算法(RandWPSO)应用于ELM回归模型中,提出了一种基于随机惯性权重的粒子群优化极限学习机的土壤湿度预测方法.该方法是利用传感器测出的土壤温度和光照强度数据进行数据预处理,构建出训练样本集,并且建立ELM回归模型,利用随机权重的粒子群算法优化ELM中的输入权值和阈值,避免陷入局部最优,从而建立起基于RandWPSO-ELM土壤湿度预测模型.利用MATLAB仿真软件,构建随机权重的粒子群优化ELM的预测模型,并对呼兰地区大棚甜菜的土壤湿度进行实验.结果表明:该方法的精度高且稳定性好,能够为大棚甜菜的生长提供有效的参考依据.

关键词： 水质预测   神经网络   皮尔逊相关系数   极限学习机  

摘要： 为提高念坛公园的水质管理及决策效果,将极限学习机应用于念坛公园的水质预测中。首先通过皮尔逊相关系数筛选关键变量,然后构建基于极限学习机的水质预测模型,利用训练时间、平均相对误差与均方根误差作为评价指标,并与BP神经网络进行比较,对比指标筛选前后两种模型的预测性能。基于念坛公园水质数据的验证结果表明,极限学习机较BP神经网络的学习算法简易、训练速度更快,并且由于正则化项的加入,使得极限学习机泛化能力加强,更适用于念坛公园水质数据的预测。

关键词： 疾病预测   极限学习机   蚁群  

摘要： 为了提高疾病预测的准确性,建立准确的疾病辅助诊断系统,为疾病诊断提供高可靠性指导意见,建立了改进极限学习机的疾病诊断模型。传统的极限学习机(extreme learning machine, ELM)随机获取初始权值和阈值,模型的预测精度有待提高。基于蚁群算法(ant colony optimization,ACO)强大的全局寻优能力,将极限学习机的初始权值和阈值作为蚁群算法的每只蚂蚁,进行最优路径规划,获得全局最优解即为优化后的极限学习机的权值和阈值。将所提方法与ELM,ACO,PSO算法在UCI数据上分别进行了仿真对比,实验结果显示无论在预测精度还是收敛速度上,所提方法均高于其他传统方法。在Pima Indian Diabetes和Breast Cancer的疾病诊断种,所提方法的预测精度也明显高于其他传统预测方法。验证了所提方法具有较高的疾病预测精度,适用于常见疾病的自动诊断。

关键词： 燃煤热值   热值预测   工业分析   极限学习机   预测模型   高位发热量  

摘要： 燃煤热值是评价燃煤品质的重要指标之一,快速准确地预测燃煤热值对燃煤锅炉的燃烧优化以及经济运行至关重要。本文提出一种基于极限学习机(ELM)的燃煤热值预测方法,选取煤的水分、灰分、挥发分和固定碳4种工业分析成分作为模型的输入,以煤质高位发热量作为模型输出,建立基于ELM的燃煤热值预测模型,并对107种不同煤进行预测分析。结果表明:ELM模型具有良好的预测能力,模型的拟合度R2在0.98以上,煤质高位发热量预测值的均方根误差为0.29 MJ/kg;与经典线性模型以及BP神经网络模型相比,ELM模型能更准确地预测燃煤热值,且其运算速度快,具有很好的现场应用价值。

关键词： 多变量经验模态分解   极限学习机   非平稳   预测  

摘要： 传感器布置不足和传感器数据缺失是风压实测研究中需要解决的重要问题,风压的空间预测可以恢复缺失数据和拓展风压空间信息,帮助建立结构表面的风压分布.为此提出一种基于多变量经验模态分解(MEMD)和极限学习机(ELM)的空间预测算法.采用MEMD分解非平稳信号,得到多组模态数目相同且频率匹配的固有模态函数和余项.对分解得到的数据按频率进行重组,作为输入数据,用ELM进行学习和预测.采用基于自回归滑动平均的模拟风速数据和实测非平稳风压数据来验证算法的有效性和精确度,同时引入基于径向基核函数的最小二乘支持向量机(RBF-LSSVM)和ELM方法作为对比.试验结果表明,MEMD-ELM方法的预测结果误差更小,与真实值更为接近.MEMD的多变量同时分解可以保留数据间的相关性,从而在非平稳过程空间预测时达到更好的效果,是一种稳定而有效的多变量预测方法.

关键词： 电力负荷预测   熵权法   余弦相似度   极限学习机  

摘要： 为提高电力系统管理的效率,提出一种基于加权余弦相似度与极限学习机(extreme tearning machine, ELM)的电力负荷短期预测设计。通过熵权法对电力负荷相关物理信息进行权重分配,获得的权重赋予到余弦相似度中,利用加权余弦相似度对历史日与待测日的电负荷数据进行相似度选取,筛选数据作为极限学习机的输入,提高极限学习机回归模型的精度,最终获取电力负荷预测。实验分析与反向传播BP(back propagation)神经网络、支持向量机(spupport vector machine, SVM)预测算法对比,该方法能有效提高预测模型的精度,同时简化计算量。