关键词： 臭氧浓度预测   机器学习   核极限学习机   支持向量机   小波变换   变量投影重要性指标  

摘要： 近地面O3的生消是一个非线性、强耦合的过程。近年来,随着计算机技术的发展,机器学习等人工智能技术在解决非线性预测问题时表现出一定的优势。其中,核极限学习机（KELM）作为一种较新的机器学习方法,还尚未在大气环境领域得到较多的应用与比较评估。本研究基于2014～2016年夏季南京北郊工业区观测的O3、前体物及气象数据,主要开展以下两个方面的研究:第一,基于KELM的回归功能预测南京北郊工业区夏季O3小时浓度,并与逐步回归方法（SR）、支持向量机回归方法（SVR）和反向传播神经网络（BPNN）进行比较。同时,基于KELM的分类功能初探其在O3浓度超标问题的应用效果。结果表明:在回归预测问题中,KELM在3种机器学习方法中表现出最佳的预测性能,具有预测准确度高、学习速度快的优点,其预测值和观测值间的MAE、RMSE、NRMSE、R2和IA分别为10.43 ppb、13.48 ppb、16.18%、0.64和0.86。SVR和BPNN在预测问题上的表现基本一致,而SVR在RMSE、NRMSE、IA和学习速度上略有优势。在分类识别问题中,KELM-C1对O3浓度超标的预警准确率为90.63%,略高于SVC1。所有的“正常”情况均被准确判断。KELM-C2对O3最大8小时平均浓度超标的预警准确率为82%,与SVC2相差不大。第二,采用小波变换（WT）和基于最小二乘法的VIP值（PLS-VIP）这2种预处理方法,对KELM预测方法进行优化,并与SVR进行比较。结果表明:WT方法将具有较高可变性的O3原始时间序列分解为几个具有较低可变性的子序列,可以将O3浓度预测的准确性提高2.33%～21.82%不等。PLS-VIP方法用于各个层次的变量筛选,在保证预测精度的同时将输入变量的数目由14个减少到2～6个,并缩短了模型的运行时间。WT和PLS-VIP这2种预处理方法有效增强了原始模型对O3低、中、高浓度区间的预测能力,特别是空气污染预测重点的高浓度O3。经整体比较,基于KELM建立的模型的预测效果要比基于SVR建立的模型好平均5.91%,具有很好的应用价值。

关键词： 二次硬化钢   极限学习机   微量元素   材料力学性能  

摘要： 钢铁是当今社会发展必不可少的核心材料,高Co-Ni二次硬化钢是一种新型马氏体钢,具有很高的强度和韧性,目前主要应用在航空航天器械上如飞机的起落架。现如今,高Co-Ni二次硬化钢需要在更恶劣的环境下拥有更高的性能,因此高Co-Ni二次硬化钢的成分和制备工艺越来越复杂。依靠传统的试错法进行研究,实验周期长,消耗资源量大,如今已经不能满足工业对钢铁材料的研发需求。因此使用计算机辅助材料实验和性能分析较为必要。目前在高Co-Ni二次硬化钢的性能分析和预测领域主要是使用BP神经网络,但是高Co-Ni二次硬化钢的热处理过程参数较多,实验数据量较少,因此用BP神经网络进行模型训练存在学习速度缓慢,泛化性能一般,精度不够高的问题。极限学习机(ELM)是一种新型的单隐层前馈神经网络算法,具有学习速度快、模型精度高、有良好的泛化能力等优点,近年来在许多领域得到了发展。实验基于增量型极限学习机(I-ELM)算法,通过训练神经网络,学习了高Co-Ni二次硬化钢的热处理过程,训练出热处理过程中微量元素、热处理工艺与合金力学性能的数学模型,并将训练的网络模型与基于BP神经网络训练的模型从多项指标进行对比和分析。结果表明,基于增量型极限学习机的网络模型在速度、精度和泛化性上都优于BP神经网络模型。使用高Co-Ni二次硬化钢的增量型极限学习机模型,对微量元素C、Co和时效温度与合金的力学性能之间的关系进行了预测研究,结合理论知识从材料的组织结构方面分析了原因,证明了预测结果的正确性。使用极限学习机算法在高Co-Ni二次硬化钢的成分分析和力学性能研究中效果显著,表明极限学习机在高Co-Ni二次硬化钢材料体系有着广阔的研究前景。结论证明,高Co-Ni二次硬化钢这种成分众多、数学模型复杂的材料在样本数量少条件下可以采用现代优化算法进行快速高精度拟合。

关键词： 变形监测   预测预报   物联网   极限学习机  

摘要： 近些年来,由于水库大坝坝体规模的不断扩大以及坝体结构的日益复杂,如何保证大坝运行期间的安全成为越来越受关注的话题之一。有效的监测手段和可靠的数据分析方法作为大坝安全防护最有效的两大手段,共同发挥着巨大的作用。论文从大坝监测和大坝变形预测两方面入手,结合信息化手段研究新时代背景下大坝安全防护方法。大坝监测方面,传统方法依靠人工的方式完成一些简单的监测,不仅耗费了大量的人力物力,同时也出现了监测效率不高、监测效果欠佳的问题。近十年来,物联网技术与无线通信技术越来越成熟,采用物联网实现大坝安全监测已成为一种新手段。大坝变形预测方面,由于大坝变形受多种因素的影响,并且变形过程存在随机性与高度非线性,传统的预测模型难以适应,随着计算机硬件水平的不断提高,基于有限样本下的机器学习方法在变形预测方面取得了越来越好的效果。因此,论文基于物联网与极限学习机实现大坝安全的在线监测与预测分析,主要研究内容如下。1)大坝安全数据采集方法研究。借助物联网技术实现大坝数据采集,整个采集方案分三层。感知层以小型模块化的传感器作为数据采集单元,完成数据的获取;传输层以DTU设备作为现场数据传输中心,实现数据的远程交互;应用层又称用户层,负责可视化交互。2)优化极限学习机实现高精度的大坝变形预测。以极限学习机（ELM）为初始模型,并逐步优化其性能。针对极限学习机随机给定隐含层参数导致的不稳定性问题,采用核函数映射取代随机映射;针对单核极限学习机（KELM）存在局部核学习能力强但泛化性能弱,全局核泛化性能强但泛化性能弱的不足,构建一种由多项式核的全局核与高斯RBF核的局部核组合的PGKELM模型;为解决PGKELM模型的寻优问题,引入蝙蝠算法寻参,提出BAPGKELM模型;由于蝙蝠算法训练时间长且易陷入局部最优解,采用既可增强局部搜索,同时又具备跳出局部最优能力的莱维飞行优化改进,提出最终的LBAPGKELM模型。3)设计并实现大坝安全在线监测与分析系统。为提高系统的灵活性,将系统分为数据采集服务和远程监测平台两个子系统。数据采集服务使用Socket套接字进行通信,首先基于Socket设计一个通用的远程通信库,然后在此基础进行二次开发实现大坝数据采集服务。远程监测平台发布为一个web网站,借助***平台实现可视化的用户交互功能。4)以利山水库为工程实例,说明大坝变形监测的实际过程并证明大坝安全在线监测与分析系统的可行性,同时使用采集的数据验证LBAPGKELM模型的优越性。通过工程应用可知,论文设计的数据采集方案具有切实的可行性,满足大坝监测过程的数据采集、数据传输等一系列要求,以此为基础开发的监测系统扩展性强,不仅可以方便的扩展新的采集设备,同时可在不修改逻辑代码的前提下将系统应用于不同的领域。由实测数据验证可知,基于莱维飞行优化的LBA算法改善了BA算法训练时间长、易陷入局部最优的缺陷,对比单核KELM,基于混合核的KELM实现了对LBASVM算法的反超,说明论文提出的LBAPGKELM模型能够有效提高大坝变形预测的精度。

关键词： 库岸滑坡变形预测   深度学习   统计学习   区间值预测   变形趋势预测   季节性变形识别   诱发因素阈值   时-空预测  

摘要： 我国重大滑坡事件频发,滑坡灾害安全问题突出,滑坡减灾防灾形势严峻。由于三峡工程的建设,使得三峡库区成为了我国滑坡灾害的重灾区。为了尽可能避免或者减轻滑坡灾害的损失,滑坡变形的预测尤显重要。本文在总结前人研究的基础上,认为滑坡变形预测的精度可提高,预测的途径可拓宽,预测的方式可更新。本文运用深度学习和统计学习方法,从滑坡位移量预测、滑坡位移区间值预测、滑坡短期变形趋势预测、滑坡季节性变形识别、滑坡季节性变形响应阈值分析和滑坡变形的时间-空间预测等六个方面出发,尝试构建库岸滑坡变形预测方法的模型体系。研究选择白水河滑坡、木鱼包滑坡、树坪滑坡这三处典型的库岸滑坡为案例,开展的工作和取得的结论如下:(1)滑坡变形数据的时间序列分析:首先,运用小波分析将滑坡位移增量数据分解为周期项和残差项;随后对所获分项数据的季节性特征进行时间序列分析;最后基于皮尔逊相关系数分析滑坡位移增量数据与诱发因素的滞后关系。计算表明,小波分析获取的计算结果质量较高,输出的时间序列连续且完善;周期分项和位移增量周期性明显,残差分项却无规律可言;滞后性分析的结果揭示了滑坡变形和诱发因素的滞后性关系,为位移预测模型的输入选择提供了依据。(2)滑坡位移量预测和区间值预测:以多种机器学习和深度学习算法为研究方法,引入不确定性,建立了滑坡位移预测模型。该模型首先比较多种机器学习和深度学习算法的预测表现,择优而选作“元件”;随后,选用弹性网络为“打包器”,耦合多个“元件”构建集成算法;升级参数的优化检验方法为嵌套交叉验证;引入不确定性概念,对产生的变形进行了区间预测。通过案例计算可知,基于集成耦合思路构建的EN-LSTM-RNN算法预测精度最高,预测区间值的准确度为100%。(3)滑坡变形短期趋势预测:基于Hurst指数模型建立了滑坡短期变形趋势预测模型,就本文研究对象库岸滑坡而言,短期趋势预测关注滑坡的季节性变形。本文尝试运用滑坡位移增量和位移预测的误差,建立Hurst指数模型。文中分别以滑坡位移增量和计算误差为输入,计算Hurst指数。计算表明,以EN-LSTM-RNN算法的计算误差为输入,获得的Hurst指数的游走现象具有较强预判能力,为滑坡变形短期趋势预测提供了途径。(4)滑坡季节性变形识别与响应阈值提取:库岸滑坡的变形量主要表现在季节性变形上,其季节性变形往往产生较大的位增量,开展季节性变形识别和阈值的分析具有一定的减灾防灾意义。本文运用EWMA control chart方法建立了滑坡季节性变形识别模型;运用Copula函数,分析滑坡位移和诱发因素之间的相依性,并提取响应阈值。通过案例分析,所建立的滑坡季节性变形识别模型能准确识别季节性变形,其准确率达100%;Gumbel-Hougaard Copula函数能较好描述诱发因素和滑坡位移间的相依性关系,并成功获取了变形诱发因素的响应阈值。(5)滑坡变形时间-空间分析预测:本质上,滑坡的变形是一个时间-空间的演化过程,所以对其变形进行时间-空间分析预测十分必要。本文该部分,首先,构建了位移增量的时间-空间矩阵,以量化滑坡变形的时-空关联;随后,运用贝叶斯回归网络,补全位移数据的缺失值;然后,基于自回归模型和时-空权重,构建了时-空模型,从时间-空间的角度出发预测滑坡变形;最后,研究并确定了滑坡位移增量数据的概率分布函数,提取p=0.95的阈值。计算表明,滑坡变形的时间-空间信息被挖掘;时-空模型具有预测表现较好、模型原理简单、数据要求较低和计算量较小的优势;提取的阈值在一定程度上量化了滑坡的“大变形”。

关键词： 滑坡   机器学习   变形预测   预测区间   稳定性分析   参数反演  

摘要： 滑坡灾害预测预报和稳定性分析研究具有重大的工程意义和应用价值。机器学习作为目前炙手可热的人工智能方法,在各个行业均有所渗透,其也被逐步引入滑坡防治领域,大大促进了该领域的发展。然而,机器学习算法主要在滑坡位移确定性预测和区域滑坡易发性评价中应用较为广泛,在滑坡位移区间预测和滑坡稳定性分析中应用有限。因此,本文以机器学习为主要研究方法,借助机器学习算法在回归和聚类方面的优势,探索其在滑坡变形区间预测和稳定性评价上新的可能。首先根据滑坡变形的非线性特点,提出了三种基于机器学习算法的滑坡变形区间预测模型,随后又应用机器学习算法分别研究了库岸滑坡水力学参数全局敏感性分析、边坡临界滑面搜索、考虑滑面不确定性的滑坡抗剪强度参数概率反演等稳定性分析问题,主要的研究原因、过程和结果叙述如下:(1)准确可靠的滑坡位移预测滑坡的早期预警非常重要,机器学习方法因其强大的非线性处理能力而被广泛用于滑坡位移的确定性预测。然而,由于滑坡系统存在不确定性,传统的确定性预测方法不可避免地会产生预测误差。为了量化确定性预测结果的不确定性大小,提出了三种区间预测方法,即B-LSSVM、DS-LSSVM、DES-PSO-ELM,对滑坡位移进行区间预测,而不是确定性预测。BLSSVM方法计算过程是首先利用Bootstrap和LSSVM算法计算预测值的均值和模型方差,随后建立遗传算法优化的LSSVM模型对预测模型的偏差进行训练和预测,最后将预测模型的回归均值作为点预测值,位移的预测区间为预测均值、模型方差、噪声方差三者的和。DS-LSSVM方法是在原始LUBE方法框架下所提出的一种滑坡位移直接区间预测方法,该方法直接使用两个LSSVM模型来生成未来位移的上下边界,并通过DS算法最小化基于预测区间的适应度函数得到最佳模型参数。DES-PSO-ELM算法计算步骤为首先运用DES来预测累积滑坡位移数据的趋势项(线性分量),DES的预测残差表示非线性位移,然后采用集成的PSO-ELM方法构造非线性位移的预测区间,累积位移的最终预测区间通过将趋势位移预测值和非线性位移的预测区间相加得出。将这三种算法用于三峡库区白水河滑坡、树坪滑坡和谭家河滑坡的位移区间预测,并与已有算法进行对比,验证了所提方法的可靠性。(2)水力参数是库岸滑坡地下水位计算的关键数据,对水库滑坡稳定性评价至关重要,水力参数的敏感性分析可为库岸滑坡地下水位计算模型参数选取提供量化依据。引入了一种新的全局敏感性方法PAWN,并首次对库岸堆积层滑坡水力参数进行了全局敏感性分析。以三峡库区典型的库岸堆积层滑坡树坪滑坡为例进行研究,首先采用超拉丁立方采样法对饱和渗透系数、饱和体积含水量、剩余体积含水量和van Genuchten模型拟合参数进行采样,然后采用非侵入有限元法将其赋值到有限元模型中进行批量的渗流计算。根据有限元计算结果,采用PAWN方法计算了各水力参数的敏感度指标,划分了主要影响参数和非主要影响参数。全局敏感性结果对库岸滑坡现场调查和模型矫正有一定的参考价值,所展示的全局敏感性框架为类似滑坡的全局敏感性分析提供了参考。(3)基于强度折减的数值方法在边坡稳定性分析只能提供一条剪切带而无法提供一条清晰的临界滑动面。广泛使用的可视化技术来定义临界滑动面容易受到主观判断,并且该方法在批处理分析和三维分析中效率低下。当斜坡破坏时,滑面两侧的位移将明显不同,据此现象提出了一种自动识别临界滑动面的方法。首先采用k均值聚类算法将节点位移自动分为两类,分别代表滑体和稳定体,其次基于Alpha-Shapes算法来提取滑体的边界点,随后通过点云集合之间的布尔运算得到分界面附近的散点,最后采用分段三次样条拟合方法对提取的散点进行拟合,得到光滑的二维临界滑动面。对于三维边坡,采用薄板光滑样条拟合技术对滑面进行拟合。以均质边坡、含软弱夹层边坡和树坪滑坡为例,验证了所提方法的有效性和准确性。(4)先前关于滑坡抗剪强度参数的概率反分析的研究通常采用固定的滑动面,由于根据有限的观察结果推测出的滑动面位置存在不确定性,因此采用固定滑面进行参数概率反演可能会导致计算结果不可靠。基于贝叶斯定理,提出了考虑滑面不确定性的滑坡滑面抗剪强度参数概率反分析的框架,并用马尔可夫链蒙特卡罗模拟方法求解贝叶斯推理中抗剪强度参数的后验分布。为了提高计算效率,建立了基于极限学习机的响应面函数来逼近抗剪强度参数与相应的安全系数和临界滑动面位置之间的关系。通过一个已知实际抗剪强度参数和滑面的假想滑坡来验证所提方法以及对比所提出的方法和传统方法。研究了滑面测量误差和抗剪强度参数先验分布对概率反分析结果的影响。结果表明,忽略滑面不确定性的传统概率反分析所得的抗剪强度参数与实际值有较大偏差,且受抗剪强度参数先验均值的影响较大,所提方法反分析结果优于传统方法,且受抗剪强度参数先验

关键词： 极限学习机   粒子群   融合模型   降水量预测  

摘要： 随着人类社会的不断发展,人类对环境的破坏越来越严重,使自然灾害频繁发生,特别是一些与气候有关的灾害如果能够提前预知,可以减少人员伤亡和经济损失。其中降水量预测可以为洪涝灾害的发生提供依据,减少不必要的损失,同时能够为农业相关部门提供指导,但是,降水量受到很多因素的影响,例如,气压、温度、湿度等,使降水量的预测具有较大的难度,因此,对降水量预测具有重大的意义?本课题利用优化后的极限学习机对降水量进行预测,主要研究内容如下:针对极限学习机对于参数选取敏感的问题尝试分别使用三种优化算法:粒子群(Partical Swarm Optimization,PSO)、遗传算法(Genetic Algorithm,GA)、模拟退火算法(Simulated Annealing,SA)对于极限学习机的初始权值和偏置进行参数寻优。改变极限学习机对于初始参数选取敏感的问题,加快极限学习机神经网络的收敛速度并提高其预测精度。对降水量数据进行预处理,主要包括回归分析、相关性分析等,并构建了ELM、PSO-ELM、GA-ELM、SA-ELM降水量预测模型,通过实验对比发现PSO-ELM的误差最小,因此本文所提出的降水量预测就基于PSO-ELM模型进行设计。本文所提出的PSO-ELM预测模型对比传统的ELM模型均方误差降低了50%。优化后的PSO-ELM模型在最大日降水量预测方面具有一定的可行性。本文提出的优化后的PSO-ELM组合模型不仅为预测最大日降水量提供了一种高效的方法,同时还为今后相似的研究提供了一种新的思路。

关键词： 水轮发电机组   故障分类   状态趋势预测   集合经验模态分解   极限学习机  

摘要： 水轮发电机组是水力发电的核心设备,进行水电机组的故障诊断和状态检测对于水电技术的发展,以及维护水电的安全稳定性具有重要意义。本文将围绕水电机组常见故障、特征提取、信号分析、故障诊断、状态预测等问题,以经验模态分解为切入点,结合极限学习机预测方法进行水轮机故障分类及状态预测。首先介绍了水轮发电机组的故障类型与机理,水轮机主要有温度异常、甩油装置故障、并网受阻、转子接地故障、机械故障等基本故障。总结了故障树分析法、模糊聚类、粗糙集理论、神经网络法等故障诊断方法的机理和优劣势,陈述了短时傅里叶变换、小波变换以及经验模态分解等时频信号处理方法。然后采用经验模态分解对水电机组故障信号进行分解,根据分解计算得到的分量特征参数值和对应的故障评价指数,选取敏感程度较高的分量特征参数作为最能反映水电机组运行状态的特征。并提出了一种基于快速独立分量的故障信号分离方法,利用快速独立分量分析对仿真的混合数据作以分离,通过实例仿真验证了其在信号分离方面的可行性。接着通过集合经验模态分解方法对在故障特征进行提取,同时对故障提取过程中可能出现的端点效应和模态混叠制定了相应的抑制方法。将原始数据序列延拓成一环形数据来抑制端点效应,并采用集合经验模态分解抑制模态混叠。通过实例仿真,验证了其在水轮机故障信号特征提取中的有效性。最后结合集合经验模态分解和极限学习机,将其应用于水电机组故障分类与运行状态预测。将部件的故障振动信号分解为五个本征模态分量,选取关键分量并计算对应的特征参数值。通过对相应的特征参数进行分析,对水电机组进行故障分类以及运行状态趋势预测。最后从理论和实际工程应用的角度出发,通过对比仿真分析,验证了极限学习机模型应用在水轮机故障分类和状态预测中的有效性。

关键词： 区间预测   改进极限学习机   Bootstrap   自适应粒子群优化算法   PTA溶剂系统  

摘要： 近年来,随着工业生产过程的复杂性不断增加,规模日益扩大,控制变量的种类和数目越来越多,对于变量的预测控制有了新的要求。在早期的传统工业中,点预测方法是对关键变量进行预测的主要方法。然而,由于实际情况不同,以及具体生产流程中相关变量的变化往往存在不确定性,单纯使用点预测方法进行预测已经不能满足实际工业需。与此同时,在实际的生产过程中,与数据点预测进行比较,对未来某个阶段数据的变化范围进行预测对于指导实践更有意义。因此,本课题对工业过程中关键变量的变化趋势进行研究和分析,着重研究区间预测方法及其在实际工业过程中的应用,内容如下:1.为了对工业过程中的相关变量变化趋势进行预测,本文提出一种基于反馈多核极限学习机(MKELM-EF)的点预测方法,该模型主要依据两种核函数的占比,来综合衡量核函数在预测模型中的重要性,同时采用自适应粒子群(APSO)算法优化模型中的相关核参数,使预测模型的预测精度和收敛速度得到优化。2.针对关键变量的变化趋势预测,本文提出种基于Bootstrap和改进极限学习机相结合的区间预测方法。其中,Bootstrap用于对原始数据进行重抽样,MKELM-EF作为回归算法,二者相结合可以构造有效的预测区间,使用辛格函数数据对模型进行实验,验证其有效性。3.选取实际工业过程精对苯二甲酸溶剂系统(PTA溶剂系统)里的关键变量对模型进行实例验证。包括对本文提出的点预测模型MKELM-EF的预测性能验证以及基于Bootstrap和MKELM-EF的区间预测方法的性能验证。点预测实验中选取现有的方法进行对比实验,结果表明MKELM-EF模型在预测性能上有一定改进。与此同时,使用基于Bootstrap的几种不同预测模型的区间预测方法进行对比实验。实验结果表明,与其他对比方法相比,本文提出的方法在预测精度表现上有一定改进,可以在满足区间覆盖率的前提下,兼顾区间平均宽度等其他指标。

关键词： 高炉炼铁   铁水质量参数   核极限学习机   DEPSO算法   监控系统  

摘要： 钢铁行业作为整个国民经济的主要产业,在推动社会高速发展中扮演了重要角色。高炉炼铁是炼钢生产的重要环节,由于炉内反应极其复杂,固液气等多相耦合,具有很强的非线性、强耦合和大时滞等复杂的动态特性。因此,对其进行建模研究是很困难的。随着工业的发展,国内外学者对高炉炼铁的工艺的改进和炼铁原理的研究越来越重视和关注,对高炉炼铁工艺的建模和整个炼铁系统的控制研究一直是当今冶金工程和自动控制领域重点研究难题。目前,对铁水质量参数的建模方法大多是对单一的铁水硅含量或者铁水温度参数进行建模,由于单一的参数只能反映高炉反应过程的某种状态,并不能反应高炉生产的综合状态,不能满足实际高炉炼铁生产的操作和控制要求。还有,传统的对铁水质量参数建模的神经网络方法存在收敛速度慢、容易陷入局部最优、模型结构参数不能达到最优、并且模型预测精度不够、泛化能力较差等问题。因此,针对以上问题,本文提出基于核极限学习机的铁水质量预测方法的研究,具体工作如下:(1)分析高炉炼铁工艺原理,研究炼铁过程的动态特性,确定影响铁水质量的建模参数,然后分析炼铁过程的数据采集过程,对获取的大量的历史生产数据进行预处理,包括对样本数据的缺失值处理、异常值处理、数据的平滑处理、归一化处理等。(2)针对极限学习机是单隐含层的,每次训练都随机初始化输入权值和隐含层偏置向量,导致模型结构不稳定的问题,提出一种基于核极限学习机的铁水质量参数预测模型,引入核函数来代替极限学习机隐含层节点的特征映射,从而不需要人为的设置隐含层的节点数,降低模型的训练时间。另外,为了降低模型的计算复杂度,引入主成分分析技术,对影响铁水质量参数的输入变量进行降维处理,有效提高了建模的精度和效率。同时,将核极限学习机与传统BP神经网络、SVM和ELM进行仿真对比实验,仿真结果表明,核极限学习机模型具有较高的预测精度和泛化性能。(3)针对核极限学习机引入了核参数会导致对模型结构参数的变化非常敏感,模型的结构参数不是最优的问题,结合差分进化算法和粒子群算法,借鉴了蛙跳算法的进化机制,提出了一种新的混合智能优化算法(DEPSO),使用DEPSO来对核极限学习机模型的结构参数进行优化,求解出最佳的结构参数,最终建立DEPSO-KELM铁水质量参数预测模型,然后使用高炉炼铁现场采集的大量历史数据对模型进行训练和测试。仿真实验表明,DEPSO-KELM铁水质量预测模型的精度和泛化性能明显提高,满足实际工业现场的要求。(4)以某钢厂高炉炼铁过程为研究对象,基于Movicon X软件,设计并开发了高炉铁水质量监控系统。实时监测高炉炼铁过程的重要工艺参数和铁水质量参数,来分析铁水质量,并进行诊断,向高炉操作人员提供预警信息和指导操作,及时调节高炉的炉况,保障高炉平稳运行,生产出质量合格的铁水。

关键词： 电力负荷预测   人工神经网络   蚁狮算法   极限学习机  

摘要： 随着电力市场的发展,电力系统短期负荷预测将直接影响到电力市场的决策和电网的调度。对于电网而言,精准电力短期负荷预测可以制定有效的发电计划,避免不必要的电能浪费。对于电力市场而言,可以根据负荷预测结果来制定售电计划,从而使各方电力企业的利益最大化,所以对于提高电力短期负荷预测的精度就显得尤为重要。因此本文在分析电力短期负荷预测影响因素和对比现有预测模型的基础上,提出一种蚁狮算法优化极限学习机的短期电力负荷预测模型。首先,本文详细介绍了电力负荷预测的研究现状、概述及分类,分析了影响电力负荷变化的主要因素,概括了日负荷特性和节假日负荷特性变化特点。其次,介绍了人工神经网络的几个经典模型算法的基本原理,通过对实例的分析找到人工神经网络模型中预测最为精确稳定的单一模型,之后针对其单一模型所存在的不足进行研究。从而提出采用群智能优化算法的解决方案。然后,介绍了蚁狮算法的基本原理,构建了蚁狮算法优化极限学习机模型,并与群智能优化算法中的改进粒子群优化极限学习机模型通过应用实例的对比测试,验证其方法的优越性和有效性。最后,将所提出蚁狮算法优化极限学习机应用于短期电力负荷预测,通过案例分析验证了其具有更高的预测精度。