关键词： 永磁直驱电机   极限学习机   转子位置预测  

摘要： 论文针对新一代高速动车组牵引系统,使用一种基于极限学习机(ExtremeLearningMachine,ELM)算法的高铁永磁直驱电机的转子位置预测。利用ELM无限的非线性逼近能力。首先采集内置式永磁直驱电机三相定子电压、电流、电机的电磁转矩、转子初始位置等数据,使用这些数据对极限学习机进行训练,最后将训练过的极限学习机取代位置传感器从而辨识电机的转速和转子位置参数。并以MATLAB为仿真平台进行仿真,仿真结果显示极限学习机有优越的学习速度和良好的准确性,证实了将ELM用于内置式永磁直驱电机的位置预测能够取得良好的动态性能。

关键词： 永磁直驱电机   极限学习机   转子位置预测  

摘要： 论文针对新一代高速动车组牵引系统,使用一种基于极限学习机算法的高铁永磁直驱电机的转子位置预测。利用ELM无限的非线性逼近能力。首先采集内置式永磁直驱电机三相定子电压、电流、电机的电磁转矩、转子初始位置等数据,使用这些数据对极限学习机进行训练,最后将训练过的极限学习机取代位置传感器从而辨识电机的转速和转子位置参数。并以MATLAB为仿真平台进行仿真,仿真结果显示极限学习机有优越的学习速度和良好的准确性,证实了将ELM用于内置式永磁直驱电机的位置预测能够取得良好的动态性能。

关键词： 风电功率预测   二次混合分解   经验模态分解   小波包分解   极限学习机   纵横交叉算法  

摘要： 风能作为可再生能源中最为成熟且应用前景最为广泛的一种能源,促使风力发电的发展规模迅速扩大,风力发电在电网规划中的比重也逐年上升。风电利用的不断增加给变频调速,电压控制和无功补偿带来了新的挑战。对风电场输出功率进行预测,可为电网安排发电计划、停机检修提供可靠参考,有利于保证系统的安全可靠和经济运行。因此,提高风电功率的预测精度对电力一体化调度的安全性具有重要意义。本文在总结已有预测方法的基础上,针对风电功率短期预测问题,提出一种基于经验模态分解和极限学习机的组合预测模型,主要工作如下:本文的主要创新点是通过使用基于经验模态分解与小波包分解的二次混合分解方法和纵横交叉算法优化的极限学习机建立了一种新的短期风电功率混合预测模型。针对风电功率时间序列的非线性特征,在数据预处理阶段,采用经验模态分解将原始风电功率时间序列分解为多个固有模态函数(IMFs)。特别的是,为降低IMF1分量的不规则性对预测结果的影响,本文提出了一种新的二次混合分解方法,通过应用小波包分解,将经验模态分解得到的IMF1分量继续分解为近似分量和细节分量;然后对分解得到的全部分量分别建立极限学习机模型进行预测,为增强极限学习机的预测性能,在模型训练阶段,提出一种新颖的纵横交叉算法用于极限学习机的输入权值和隐含层偏置的优化,纵横交叉算法所特有的纵向交叉算子可有效避免常规智能优化算法的维局部最优问题;最后全部子序列预测值的叠加重构得到实际风电功率预测结果。以实际风电场采集的风电功率数据为例,将所提模型用于提前一步、二步和三步的短期风电功率预测,并与其他文献中的模型进行对比分析,仿真结果表明:(1)通过小波包分解对IMF1进行分解,经验模态分解的性能可以得到显著提高,基于二次混合分解方法的预测模型在预测精度方面明显优于基于其他单一分解方法的预测模型。(2)将纵横交叉算法应用于极限学习机的70个参数优化时,在解决早熟收敛问题方面表现出令人满意的性能,优化效果优于传统粒子群算法、遗传算法和差分进化算法。(3)在预测精度方面,所提混合方法较其他文献中的混合模型有很大的优势。

关键词： 预测算法   极限学习机   GA—RELM   PSO—RELM  

摘要： 预测是以所要预测问题以前和现在的相关信息为基础,通过科学的预测方法和逻辑推理,对问题未来的发展方向和水平做出预测和推断。预测问题涉及社会生活的各个方面,包括法政、金融、历史、生态、文化、教育等各个方面。目前,数据预测主要运用机器学习方法,其中人工神经网络是实现机器学习任务的一种重要方法。本文主要研究极限学习机(Extreme Learning Machine,ELM)的改进算法。与传统神经网络相比,极限学习机只要通过一步简单计算就可以解析出网络的输出权值,很大程度上提高了网络的泛化能力和学习速度,具有较强的非线性拟合能力,计算量和搜索空间也都大大降低。然而,极限学习机算法中权值和阈值的随机选取和隐含层节点数的不确定可能会导致过拟合等现象的发生。所以,更有效的输入参数选取是极限学习机实现有效预测的关键所在。本文研究工作包括:一、针对极限学习机算法中,未加入结构风险和参数的随机选择可能会导致实验结果过拟合、泛化能力不足等问题,使用引入结构风险的正则化极限学习机(Regularized Extreme Learning Machine,RELM)来提高极限学习机的泛化能力和稳定性,并引入遗传算法(Genetic Algorithm,GA)优化正则化极限学习机的输入参数,提出基于遗传算法的正则化极限学习机(Genetic Algorithm—Regularized Extreme Learning Machine,GA—RELM),提高了算法的稳定性和预测准确率;二、基于粒子群的正则化极限学习机(Particle Swarm Optimization—Regularized Extreme Learning Machine,PSO—RELM)。针对第三章使用的遗传算法本身设置参数较多、迭代次数多,导致算法复杂度偏高这一问题,引入算法复杂度较低的粒子群算法(Particle Swarm Optimization,PSO)来代替遗传算法,提出基于粒子群的正则化极限学习机。通过实验表明本章算法相较于传统机器学习算法而言,在预测准确度和结果稳定性方面都有所提高。与基于遗传算法的正则化极限学习机相比,在保证预测准确度的前提下,减少了预测时间。三、使用visual stdio2010,集成本文提出的基于遗传算法的正则化极限学习机和基于粒子群优化算法的正则化极限学习机,设计并开发了RELM预测算法子系统,将模块嵌入到LIBS光谱预处理及分析系统中,实现了对数据的预测。

关键词： 核极限学习机   量子粒子群   广义线性模型   人工神经网络   索赔次数  

摘要： 汽车保险在社会中受到广泛的关注,同时在保险公司中具有重要的位置,因此对汽车保险的索赔次数进行预测是非寿险精算理论的重点研究内容之一。车险数据主要包括索赔频率、索赔次数与索赔强度,因此如何获得车险索赔次数的预测数据是车险费率厘定的前提条件。但是目前的索赔次数预测方法在使用过程中存在一定的条件限制,进而影响了模型的泛化性能。针对传统索赔次数预测模型在预测中存在的问题,提出了基于核极限学习机的车险的索赔次数预测方法,建立了基于核极限学习机理论的预测模型,并对多种模型的预测能力进行分析,为精算人员提供新的思路。主要研究内容如下:首先,对几种常用的车险索赔次数预测方法进行介绍。在传统的预测分析方法中,常利用广义线性模型进行建模,但是该方法需要假设解释变量与响应变量关系且需要大量的经验数据,进而在实际应用中存在一定的问题。此外,人工神经网络模型在使用过程中,存在受人为因素干扰较大,存在学习速度慢、初始参数选择敏感、泛化能力较差和容易陷入局部最优解等缺点。然后,利用核极限学习机理论建立预测模型。针对极限学习机在使用过程中需要对输入样本的权值和隐藏层节点阈值采用的是随机赋值,进而导致极限学习机网络的计算稳定性较差的问题,提出了利用核极限学习机模型进行建模。针对核极限学习预测模型在使用过程中的参数选择问题,提出利用量子粒子群优化算法对网络结构参数进行寻优,该方法的具有更好的全局搜索能力,有效解决了粒子群算法在计算过程中存在计算时间长和容易陷入局部最优等问题,提高了预测模型的稳定性。最后,利用瑞典的第三方的汽车索赔数据对核极限学习机模型、广义线性模型以及人工神经网络模型这几种模型的预测结果进行对比。通过将多种模型获得的预测结果进行对比,得出基于量子粒子群优化的核极限学习机模型对车险数据的预测效果最好。

关键词： 隧道工程   集合经验模态分解   组合核极限学习机   粒子群算法   马尔可夫链  

摘要： 隧道围岩变形序列具有高度非线性,采用常规方法很难得到满意的预测精度。为了提高隧道围岩变形的预测精度,基于实测变形数据,提出一种隧道围岩变形的多尺度组合核极限学习机预测模型。首先,通过集合经验模态分解技术将实测变形数据分解为多个不同的尺度序列,然后通过组合核极限学习机对各分量序列进行建模预测,最后将预测得到的各分量结果进行组合获得最终的预测值。改进模型中通过径向基函数和多项式核函数线性加权而成组合核函数,运用粒子群算法对核参数和加权系数进行优选,并通过马尔可夫链对模型的预测结果进行了讨论,可以较好地提高隧道围岩变形的预测精度。文章通过大相岭隧道围岩变形预测实例表明:提出的改进模型在单步预测和连续多步预测隧道围岩变形时,都能取得较高精度,对比可得优于贝叶斯正则化BP神经网络,与工程实例监测变形相比处于可接受范围内,具有一定的应用价值。

关键词： 光伏出力预测   自适应白噪声   集合经验模态分解   核极限学习机   参数优化   改进蝙蝠算法  

摘要： 光伏出力的精确预测有利于确保电力系统的可靠运行,减小投资者的利益风险。考虑到光伏出力的不确定性和非平稳性,首先采用自适应白噪声的完整集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)将原始光伏出力序列分解为一系列相关性较强、较平稳的子序列,再使用核极限学习机(Kernel Extreme Learning Machine,KELM)分别对每一子序列进行预测。由于KELM学习参数选取对其预测性能有较大影响,提出了基于改进蝙蝠算法(Improved Bat Algorithm,IBA)对KELM模型参数进行寻优。最后,将每一子序列预测结果通过求和相加获取最终的预测值。实际算例表明,该IBA算法收敛速度快,全局搜索能力强,所提的CEEMDAN-IBA-KELM组合方法能有效提高光伏出力的预测精度。

关键词： 硅含量   炉温控制   主成分分析   极限学习机  

摘要： 炉温控制是高炉过程控制的基础与核心技术,炉温的走势最直接地反应了高炉的运行状况.因此,建立合理的炉温控制模型至关重要.铁水中硅的含量与炉温成正比例关系,而冶炼过程中状态变量、控制变量及入炉基本条件等都会影响炉温,如果考虑全部的相关因素,势必会因信息冗余降低模型的性能.为此,首先采用主成分分析(PCA)方法对多维输入变量进行降维,同时回避了变量间的多重共线性问题.其次,将PCA处理得到的相互独立的主成分用于网络训练,建立了基于极限学习机(ELM)的炉温预测模型,该模型克服了前馈神经网络训练速度慢、容易陷入局部极小的缺点.最后比较了传统的BP学习算法、ELM算法和PCA结合ELM算法的预测效率,试验证明本文算法具有较高的命中率,可以用来指导高炉实际生产.

关键词： 电力变压器   顶层油温   误差修正   核极限学习机   引力搜索算法  

摘要： 为准确估算变压器热点温度,给变压器负载能力估计、热故障预防、绝缘寿命预测提供辅助依据,建立了基于核极限学习机误差预测修正的变压器顶层油温预测模型。该模型采用核极限学习机对典型的Susa热路模型顶层油温的预测误差进行建模预测,并以核极限学习机的预测值修正热路模型顶层油温预测结果。为提高核极限学习机的预测精度,采用引力搜索算法对核极限学习机的惩罚系数和核参数进行优化。算例结果表明,所提模型的预测结果与实测值基本一致,预测精度高于未经误差修正的半物理模型——Susa热路模型和典型的非线性拟合回归模型——引力搜索优化的核极限学习机模型,并且采用的引力搜索优化的核极限学习机算法在训练时间上显著优于引力搜索优化的支持向量机和Elman神经网络算法,且预测精度略优于后2种算法。

关键词： 集成经验模式分解   极限学习机   短期电力负荷预测   支持向量机   神经网络  

摘要： 以集成经验模式分解(EEMD)与极限学习机(ELM)为理论基础,提出了将其有机结合进行短期电力负荷预测的方法。首先运用EEMD对短期负荷时间序列进行自适应分解,在此基础上针对分解后不同分量的变化特点,建立相对应的ELM模型进行预测,进而将各分量的预测结果重构以得到最终预测结果。通过实例分析表明该模型的预测精度要优于单极限学习机模型、单支持向量机模型和神经网络模型,同时也验证了该模型应用于短期负荷预测的有效性和可行性。