关键词： 建筑工程   施工成本预测   极限学习机   支持向量机   融合预测模型  

摘要： 随着建筑工程行业的发展,施工成本预测越来越受到重视。为了提高预测准确性,我们提出了一种基于极限学习机(ELM)和支持向量机(SVM)的融合预测模型。首先,我们分别构建了基于ELM和SVM的子预测模型,然后通过加权融合策略将两种子模型结合在一起。实验结果表明,所提出的融合预测模型在建筑工程施工成本预测方面表现优越,具有较高的预测精度和稳定性。我们对比了ELM、SVM和多层感知机(MLP)等方法的性能,并对融合预测模型进行了详细的分析。此外,我们还讨论了未来研究方向,以期推动建筑工程施工成本预测领域的发展。

关键词： 地铁轨道   沉降预测   小波去噪   粒子群优化(PSO)   极限学习机(ELM)  

摘要： 地铁轨道结构变形是影响地铁安全运营的重要因素,尤其是在沉降变形方面,因此监测地铁轨道沉降变形,同时根据监测结果对轨道的沉降变形趋势进行准确判断具有重要意义。本文以某市地铁2号线轨道监测数据为例,发挥小波分析与极限学习机(ELM)模型在数据处理、数据预测中的优势,将粒子群优化(PSO)算法用于ELM模型参数优化中,构建基于小波去噪的PSO-ELM组合预测模型,进行地铁轨道的沉降变形预测研究。通过小波分析进行监测数据去噪,解决了监测数据不稳定带来的预测结果的干扰问题;通过构建PSO-ELM组合预测模型,解决了模型参数选取随机性带来的预测精度受限问题。本文将提出的小波去噪PSO-ELM模型与单一ELM模型、小波去噪ELM模型的沉降预测结果进行对比分析,结果表明本文提出的组合预测模型预测精度最高,同时预测误差不会随预测期数的增加产生明显变化,具有较高的稳健性与适应性。

关键词： 短期负荷预测   极限学习机   微电网   实际负荷   运行经济性   信息矩阵   变量相关性  

摘要： 常规的新能源微电网短期负荷预测方法主要使用气象相似日集确定预测变量相关性,易受信息矩阵变化影响,导致预测负荷与实际负荷相差过高。因此,需要基于极限学习机设计一种全新的新能源微电网短期负荷预测方法。即生成了新能源微电网短期负荷预测指标,利用极限学习机构建了微电网短期负荷预测模型,设计了新能源微电网短期负荷预测算法,从而实现新能源微电网短期负荷预测。实验结果表明,设计的新能源微电网极限学习机短期负荷预测方法的预测负荷与实际负荷较接近,证明设计的短期负荷预测方法的预测效果较好,具有准确性,有一定的应用价值,为提高微电网运行经济性作出了一定的贡献。

关键词： 现货价格预测   人工神经网络   极限学习机   电力市场  

摘要： 电力不同于其他商品一样能够进行存储,电力现货价格往往存在着不确定性。在竞争激烈的市场中,电力现货价格预测模型成为了电力相关企业非常重要的工具。为进一步加强电力相关企业的购电决策能力,提出了一种基于极限学习机算法的中短期电力现货价格预测模型。首先通过极限学习机算法训练的人工神经网络确定未来半年的月平均现货价格,其次在算法中构建参考函数返回与给定风险相关的参考价格,降低现货市场波动风险。结果表明,所提出模型的预测均方根误差低于期货价格相关值的10%,能够改善中短期电力交易决策,降低决策风险。

关键词： 日径流预测   正则化极限学习机   蜣螂优化算法   珍鲹优化算法   泥环算法   小波包变换   三峡水库  

摘要： 准确预测的入库日径流在水库优化调度中发挥着重要作用。为提高预测精度,提出一种基于小波包变换(WPT)和蜣螂优化(DBO)算法、珍鲹优化(GTO)算法、泥环算法(MRA)优化正则化极限学习机(RELM)的预测模型,并将其应用于三峡水库入库日径流预测研究。首先,利用WPT将三峡水库入库日径流时间序列分解为1个周期项分量和1个波动项分量;其次,利用DBO、GTO、MRA分别优化RELM输入层权值和隐含层偏差,建立WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型;最后,利用所建立的3种模型分别对入库日径流周期项分量和波动项分量进行预测和重构,并构建基于极限学习机(ELM)的WPT-DBO-ELM、WPT-GTO-ELM、WPT-MRA-ELM模型、基于BP神经网络的WPT-DBO-BP、WPT-GTO-BP、WPT-MRA-BP模型、未经优化的WPT-RELM、WPT-ELM、WPT-BP模型和未经分解的DBO-RELM、GTO-RELM、MRA-RELM模型作对比分析模型。结果表明:①WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型对三峡水库入库日径流预测的平均绝对百分比误差MAPE分别为0.512%、0.519%、0.762%,平均绝对误差MAE分别为54.05、55.97、86.76 m^(3)/s,均方根误差RMSE分别为84.99、84.81、128.18 m^(3)/s,决定系数DC≥0.9994,希尔不等系数TIC≤0.00517,预测效果优于其他12种模型,具有更高的预测精度和更好的泛化能力。②DBO、GTO、MRA能有效优化RELM网络参数,显著提高RELM预测性能。③引入正则化项的RELM可有效防止预测模型过拟合,提高模型的泛化能力,预测性能优于ELM、BP网络。④所构建的3种模型预测精度高、计算规模小,是一种有效的入库日径流时间序列预测模型。

关键词： 滑坡位移   变分模态分解   深度学习   粒子群优化   灰色关联度  

摘要： 针对传统方法在滑坡位移预测时准确率不高、泛化性不足等问题，基于“分解—预测—重构”思想，提出了一种将变分模态分解和深度学习相结合的滑坡位移预测模型。该模型通过灰色关联度分析确定滑坡位移的影响特征，采用粒子群优化算法（ Particle Swarm Optimization， PSO）对变分模态分解（ Variational Mode Decomposition， VMD）进行优化，将滑坡位移分解为具有不同物理意义的分量。针对分解后各分量的时序特点，分别采用多项式曲线拟合、长短时记忆网络（ Long Short-Term Memory，LSTM）和时间卷积网络（ Temporal Convolutional Networks， TCN）进行预测，最终将各分量预测值重构叠加，实现滑坡位移的精准预测。以八字门滑坡数据为例，采用决定系数(Coefficient of Determination， R2)、平均绝对误差（Mean Absolute Error， MAE）、均方根误差（Root Mean Square Error， RMSE）等指标对模型进行量化评估。结果表明：所提出的滑坡位移预测模型精度达到98.6%，能够有效提取滑坡位移数据中隐含的信息特征，对滑坡位移获取具有一定的借鉴意义；在各分量预测中采用不同的模型时，预测效果存在显著差异。因此，针对各分量特征的不同，建立相应的预测模型能够有效提高滑坡位移预测精度；通过参数敏感性分析，得出模型的输入序列长度为12时精度最佳。本文所提模型预测精度良好，可以为滑坡防灾减灾工程的实际应用提供参考。

关键词： 阶跃型滑坡   变形机理   位移预测   Informer   自注意力机制   影响因子  

摘要： 阶跃型滑坡变形时间曲线呈阶梯状,阶跃变形量大,准确预警预报困难。针对现有模型在阶跃型滑坡快速变形阶段预测误差大的问题,提出一种机理引导下的阶跃型滑坡变形预测模型,该模型在深入分析滑坡变形机理上,结合变分模态分解开展滑坡位移和影响因子的动态响应分析,为Informer模型提供合理有效的外部影响因子输入,结合多头注意力机制和池化层,实现阶跃期时序数据关键周期信息的有效提取。本研究以三峡库区白水河滑坡为例,收集水库蓄水以来连续15年的逐月位移监测数据及同期逐天的降雨和库水位数据。试验结果表明,本文模型在阶跃型滑坡位移预测中整体预测精度较高,与主流预测模型相比,该模型对快速变形期的阶跃变形预测较为准确,预测误差较小。

关键词： 日径流预测   多极小波包变换   改进浣熊优化算法   混合核极限学习机   超参数优化  

摘要： 为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

关键词： 月径流预测   时间序列   斑马优化算法   混合核极限学习机   小波包变换   超参数优化  

摘要： 为提高月径流预测精度,改进混合核极限学习机(HKELM)预测性能,提出小波包分解(WPT)-斑马优化算法(ZOA)-HKELM组合模型。利用WPT处理月径流时序数据,构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;通过ZOA优化HKELM超参数(正则化参数、核参数、权重系数),建立WPT-ZOA-HKELM组合模型,并构建WPT-遗传算法(GA)-HKELM、WPT-灰狼优化(GWO)算法-HKELM、WPT-鲸鱼优化算法(WOA)-HKELM、WPT-ZOA-极限学习机(ELM)、WPT-ZOA-最小二乘支持向量机(LSSVM)、ZOA-HKELM作对比模型,通过黑河流域莺落峡、讨赖河水文站月径流时间序列预测实例对各模型进行检验。结果表明:(1)莺落峡、讨赖河水文站月径流时间序列WPT-ZOA-HKELM模型预测的平均绝对百分比误差分别为1.054%、0.761%,决定系数均达0.999 9,优于其他对比模型,具有更高的预测精度,预测效果更好。(2)利用ZOA优化HKELM超参数,可提高HKELM预测性能,优化效果优于GWO、WOA、GA。(3)预测模型能充分发挥WPT、ZOA和HKELM优势,提高月径流预测精度;在相同分解和优化情形下,HKELM的预测性能优于ELM、LSSVM。

关键词： 新能源   风电功率预测   极限学习机   乌鸦搜索算法  

摘要： 风能具有较强的波动性和随机性,风电功率也具有同样的特点。因此,本文提出了改进极限学习模型来提高风能的利用率。首先,本文提出了通过乌鸦搜索算法来优化参数,通过收敛性能的测试,乌鸦搜索算法在全局搜索能力以及局部的开发能力上具有较大的优势。其次,确定模型函数的输入输出变量,然后分别用多个评估性指标与其他模型进行比较。最后,对改进极限学习机模型的预测结果进行了评估和分析。预测结果表明改进极限学习模型的预测精度和稳定性均高于其他模型。