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。

关键词： 特征选择   因果正则化   结构因果模型   平均因果效应向量   极限学习机  

摘要： 随着风电并网比例的逐年提高,电力系统对风电功率预测的准确性和稳定性提出了更高要求。对于同一风电场而言,为了避免不同特征选择方法所选择的风电场特征子集不同,从因果关系的角度出发,提出了一种基于因果正则化极限学习机(causal regularized extreme learning machine, CRELM)的风电功率短期预测方法。首先将极限学习机(extreme learning machine, ELM)建模为结构因果模型(structural causal model, SCM),在此基础上计算隐藏层神经元与输出层神经元之间的平均因果效应向量。然后将该平均因果效应向量与输出层权重相结合构成因果正则化项,在最小化训练误差的同时最大化网络的因果关系,以进一步提升模型的预测准确性和预测稳定性。最后,以国内蒙西某风电场数据为例,与采用特征选择或不采用特征选择的预测模型相对比,验证了所提方法的有效性和适用性。

关键词： 负荷预测   微生物遗传算法   野狗优化算法   极限学习机   灰色关联分析  

摘要： 针对目前短期空调负荷预测方法预测精度低、稳定性差等问题,提出一种基于微生物遗传算法(Microbial genetic algorithm,MGA)和野狗优化算法(Dingo optimization algorithm,DOA)优化极限学习机(Extreme learning machine,ELM)的空调负荷预测模型。首先利用DOA优化ELM的输入权值和隐层阈值,建立DOA-ELM预测模型,利用MGA改进DOA-ELM模型的预测稳定性和预测精度,建立(Microbial genetic algorithm Dingo optimization algorithm-Extreme learning machine)MDOA-ELM预测模型。为降低预测模型的维度,通过灰色关联分析(GRA)筛选影响空调负荷的输入输出因素。为验证算法有效性,以某工厂中央空调系统为例进行实例分析。实验结果表明,所建负荷预测模型相较于对比模型预测精度高,稳定性好,因此可更好地满足工程实际需求。

关键词： 相空间重构   核极限学习机   交通流预测   蝴蝶优化算法   量子自适应   邻域扰动   惯性权重  

摘要： 传统短时交通流预测精度低、稳定性差,提出一种结合改进蝴蝶算法优化核极限学习机与相空间重构的短时交通流预测模型。结合量子自适应种群初始化、邻域扰动和惯性权重对蝴蝶算法改进,利用改进蝴蝶算法对核极限学习机超参寻优。利用混沌理论确定样本时序最佳延迟时间和嵌入维数,利用PSR对样本重构,利用优化核极限学习机建立短时混沌交通流预测模型。采用郑州市某主干路口车流实测数据进行实证分析,其结果表明,改进模型能够有效降低预测误差,实现混沌交通流实时准确预测。

关键词： 安全工程   边坡稳定性   极限学习机   PCA   降维   爬行动物搜索   混淆矩阵  

摘要： 边坡稳定性预测对工程安全及地质灾害防治极其重要,目前机器学习在边坡稳定性预测较广泛,例如BP神经网络、支持向量机(SVM)、极限学习机(ELM)等。但传统的ELM模型在预测边坡稳定性时存在易陷入局部最小值、难以选择合适学习率的问题,针对此问题,提出了一种基于主成分分析法(PCA)和爬行动物搜索法(RSA)并行优化极限学习机(ELM)的边坡稳定性预测模型。此模型利用PCA算法对数据进行降维,减少数据的冗余性,并利用RSA算法优化ELM模型的输入层权值和隐含层偏置,极大地提高了模型的预测精度和预测效率。将传统的ELM模型、RSA-ELM模型、PCA-SVM模型及PCA-RSA-ELM 4种模型进行对比,从而得到PCA-RSA-ELM模型在边坡稳定性预测这类问题上的精确性更高,为边坡稳定性预测分析提供新的思路,对防灾减灾及保护国民经济安全具有重大意义。

关键词： 卷烟   真伪鉴别   拉曼光谱   混合核极限学习机   贝叶斯优化  

摘要： 为解决人工鉴别真伪卷烟存在的预测精度低和主观性强的问题,提出一种基于贝叶斯优化混合核极限学习机的真伪卷烟拉曼光谱鉴别方法。该方法通过采用混合核函数提高模型的学习能力和泛化性能,并采用贝叶斯算法对混合核函数的参数进行优化,使其不仅有良好的局部搜索能力,同时也加强了全局搜索能力。将该方法应用于某品牌的真伪卷烟预测,试验结果表明:该模型拥有更好的预测精度,为真伪卷烟拉曼光谱预测提供了一种新思路。

关键词： 滑坡   稳定性   SMOTE   支持向量机   贝叶斯优化   消融实验  

摘要： 滑坡灾害会造成严重的生命财产安全问题,对滑坡稳定性进行准确预测对于指导滑坡灾害的防治工作具有重要意义。不平衡数据集会影响机器学习模型预测的准确性,为解决这一问题,提出一种基于SMOTE技术的BO-SVM滑坡稳定性预测方法,该方法首先采用SMOTE技术对不平衡滑坡数据集进行过采样处理,然后采用BO算法基于过采样处理后的数据集对SVM模型进行超参数优化,最后使用优化后的BO-SVM模型对测试集进行预测,其预测准确率达到95.58%。将BO-SVM模型的预测结果与RF、XGBoost和CatBoost模型的预测结果进行对比,证明BO-SVM模型的预测性能具有优越性。采用SHAP方法对SVM模型进行解释,并实施消融实验研究其输入特征对4个机器学习模型预测性能的影响。本研究解决了不平衡数据集会降低滑坡稳定性预测准确性的问题,并为滑坡的防治工作提供一定的参考。

关键词： 河流水质预测   改进的自适应噪声完备集合经验模态分解   变分模态分解   极限学习机   分频处理  

摘要： 针对城市河流水质中的化学需氧量和高锰酸盐指数无法有效预测的问题,提出一种基于两层分解方法和极限学习机的河流水质预测方法。引入改进的自适应噪声完备集合经验模态分解(improved complete ensemble EMD,ICEEMDAN)分解原始水质时间序列,分频处理子分量为高频分量和低频分量,加入变分模态分解(variational mode decomposition, VMD)对高频分量进行二次分解,建立关于所有分量的极限学习机(extreme learning machine, ELM)和最小二乘支持向量机(least square support vector machine, LSSVM)预测模型,将各分量预测值线性相加得到最终的预测结果。以苏州市水道的水质数据集作为样本进行实验,上述方法得出化学需氧量和高锰酸盐指数的平均绝对误差(mean absolute error, MAE)、均方根误差(root mean square error, RMSE)和平均绝对百分比误差(mean absolute percentage error, MAPE)分别为0.076、0.158、2.674%和0.182、0.193、0.673%,在识别和分析关键水质参数方面的稳健性优于其它对比模型,克服了集合经验模态分解(ensemble empirical mode decomposition, EEMD)重构过程中出现的模态混叠问题,特别是在高频分量情况下,能够做到预测更加有效。