关键词： 极限学习机   体育成绩   灰色模型   预测精度  

摘要： 体育成绩的影响因素众多,具有时变性和随机性变化特点,为了提高体育成绩的预测精度,提出极限学习机修正误差的体育成绩预测模型。首先采用灰色模型对体育成绩进行预测,然后用极限学习机对灰色模型的预测误差进行修正,最后采用具体体育成绩数据对模型性能进行测试,测试结果表明,该模型能够提高体育成绩的预测精度,可提供有价值的参考意见。

关键词： 负荷预测   小波变换   改进萤火虫算法   极限学习机  

摘要： 提出了一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法.通过小波分解和重构,对原始负荷序列进行降噪;在模型训练阶段利用改进的萤火虫算法优化极限学习机参数,获得各序列的最优模型;针对各子序列分别预测叠加得到最终预测值.通过在两种时间尺度的数据序列上进行数值计算,与传统的ARMA、BP神经网络、支持向量机及LSSVM等多种经典预测模型相比,模型预测效果更优.

关键词： 纵横交叉算法   负荷预测   核极限学习机   电力系统   安全经济运行  

摘要： 负荷预测不仅是确保电力系统安全经济运行的必要手段之一，也是制定电力市场交易计划的基础。随着现代社会电力市场的不断发展，负荷预测在电力系统中的重要性也越发突出。对于负荷预测的方法目前研究的已经相当成熟，预测的结果对于电网运行有一定参考价值。但是，由于节能减排的方针的提出，对负荷预测的精度要求越来越高，因此，为了提高负荷预测的精度，就需要对现有的预测方法进行改进，引入新的理论方法。目前，随着数学理论的发展以及科学技术的进步，越来越多的新理论被带入到负荷预测中去研究，比如模糊数学理论、专家系统理论、灰色理论等等，这些理论带动了负荷预测的发展，使得负荷预测在预测精度上有了质的跨越。\n 核极限学习机（KELM）作为一种在极限学习机基础上改进的算法，其引入具有强大非线性映射能力的核函数，将原来单层、无核、线性不可分的极限学习机转变为空间线性可分的，使其相较于基本的极限学习机算法具有更强的回归预测能力。同时，为了防止早熟问题的发生，本文引入一种全新的人工智能算法即纵横交叉算法（CSO）。纵横交叉算法分别从不同的方向进行交叉操作，使得全局搜索无盲点，能够有效避免陷入局部最优解；并且引入竞争算子操作，通过父代与子代的比较，保留适应度值高的一代，从而保证了收敛精度。为了提高核极限学习机的预测精度，本文在深入研究了核函数、纵横交叉算法的基础上，给出了基于纵横交叉算法优化核极限学习机（CSO-KELM）的负荷预测算法模型。其核函数是具有局部特性的高斯径向基核函数，并且针对核函数中参数的不定性，使用纵横交叉算法对核极限学习机参数进行优化。\n 最后，在Matlab软件平台上，将CSO_KELM算法模型用到地区电网中进行短期负荷预测，并与其他智能算法对比分析，得出优化后的模型不仅不易陷入局部最优，而且收敛更加稳定，精度也有所提高。之后，在CSO_KELM算法模型的基础上，分别考虑日期类型和气温等因素对负荷进行预测，得到负荷预测精度较不考虑影响因素时有所提高，从而证明了负荷预测精度确实受到日期类型和气温等因素的影响。

关键词： 短时客流预测   完全总体经验模态分解   变分模态分解   核函数极限学习机   模拟退火粒子群算法  

摘要： 随着我国城市轨道交通建设步伐的进一步加快,城市轨道交通系统不断向着网络化运营趋势发展,运输组织模式日益复杂化,因此如何提高运输效率、提升服务水平、保障运营安全成为轨道交通网络化运营亟待解决的问题。城市轨道交通短时进站量预测作为短时客流预测的重要组成部分,寻求科学合理、预测精度更高的预测模型,不仅有助于进一步把握客流动态变化规律、制定列车短时开行方案,调整车站管理策略,而且有助于实现城市轨道交通科学、高效、安全运营,因此城市轨道交通短时进站客流量预测研究意义重大。论文首先分析了 AFC数据上传过程中存在的缺陷,并在此基础上提出了城市轨道交通车站进站量异常值识别及校正方法,从而实现了对进站量数据的有效还原,并进一步分析了城市轨道交通进站客流的时空分布特征;其次,针对城市轨道交通短时客流的非线性、非平稳性特征,论文通过利用完全总体经验模态分解对城市轨道交通短时客流进行平稳化处理,并引入样本熵理论对分解分量的可预测性进行评价,之后对可预测性较低的高频分量进行变分模态分解,以便进一步削弱短时客流随机性;再者,论文建立了基于核函数极限学习机的短时客流预测模型,并结合模拟退火和粒子群算法实现参数的优化选取,进一步提高了短时预测的准确性和适用性;最后,论文选取北京市轨道交通系统中的西直门地铁站进行实例研究,并依次进行单步、多步预测,实例预测结果表明,论文所构建的短时预测模型与传统预测模型相比具有更理想的预测结果,并在一定程度上提高了短时客流预测的精度,同时论文的研究对于指导轨道交通未来发展规划也具有一定的现实意义。

关键词： 负荷预测   指标体系   关联度   极限学习机  

摘要： 随着我国经济的飞速发展,社会用电需求正在极速增长,我国也在大力建设智能电网。电网负荷预测因为涉及面广、影响要素多、不确定性大,一直以来,都是电网规划部门考虑解决的一个难点。研究一种考虑因素全面、预测准确的电网负荷预测方法,为电网公司的配电规划提供科学合理的参考,对电网建设和电网公司的长期发展具有极其重要的理论和实际价值。本文在灰色关联分析基础上,构建了用于内蒙古短期电力负荷预测的指标体系。因为电网负荷可能受到多个指标的影响,因此一个合理的指标体系是预测的根本。通过对评价指标的含义进行分析,从其中筛选出一部分与电网负荷关系较为密切的指标;通过对常见的灰色关联分析方法,选用关联度分析方法对内蒙古“十一五”期间的负荷值与历史数据进行了分析;最后根据以上分析结果,提出了内蒙古电短期力负荷预测指标体系。选用基于GM(1,1)模型的方法,对内蒙古全省及下属地市的各个预测指标的下个月发展进行了预测。评价指标具有变化随机性大以及受外界影响大的特点,本文通过对近些年流行的预测算法进行仿真对比,证明了基于GM(1,1)模型的方法对电网负荷预测指标的预测更加适用。由于电网负荷受到多个指标的影响,负荷预测具有很大的不确定性,采用常规的数理分析方法难以准确辨析指标与负荷的数据关系,因此本文采用了极限学习机的方法建立内蒙古短期电力负荷预测模型。通过对2012年全省及下属地市的负荷进行仿真实验,预测的准确度相对于原有的方法有了很大提升。在上述预测方法理论研究的基础上,本文设计并实现了内蒙古短期电力负荷预测软件系统。该系统结合了理论研究与实际应用,对内蒙古电力公司的短期负荷预测工作提供了有效的辅助。

关键词： 风电功率   预测   小波去噪   极限学习机   模型  

摘要： 随着风电技术的不断发展,风力发电在我国电力系统中所占的比例越来越大。但风能的不稳定性会严重影响电力系统的稳定运行。较为精确的风电场功率预测,可以对风电进行科学管理,及时调整电力系统调度计划,从而减少风的不稳定性对于电网的影响。本文对目前存在的风电功率预测方法进行研究,并提出相应的改进方法,具体研究内容如下:1、分析风电场参数及风功率的影响因素。根据实际风电场数据分别从风速和风向两方面对风电场进行参数规律统计,并分析风电场的风速、风向、温度与风功率之间的关系,为后续风电功率预测的输入变量的选择提供理论依据。2、对小波阈值去噪的原理和方法进行研究,针对风速序列的不稳定性,将实际风电场的原始风速序列进行小波分解,且为了进一步区分有用信号和噪声信号,对小波分解后的高频部分进行二次小波分解。采用小波去噪评价标准比较不同的阈值去噪方法,选取效果最好的一种对二次小波分解后的高频分量进行阈值去噪处理,从而降低风速序列的不稳定性。3、针对传统核极限学习机求逆较为复杂及批量训练的情况,提出一种改进的核极限学习机,并将其应用于实际的风电场功率预测中,工程实例仿真结果表明,改进后的核极限学习机预测精度更高,速度更快。4、在以上的研究基础上,将小波阈值去噪和改进后的核极限学习机相结合,建立预测模型,并通过实际的风电场数据验证其有效性,仿真结果表明,该模型提高了预测精度。最后介绍实习期间在单位项目组参与开发的一套风电功率预测软件,并将提出的方法通过该软件进行工程验证。

关键词： 人工蜂群算法   极限学习机   非点源污染负荷预测   单隐层前馈神经网络   搜索策略  

摘要： 作为一种自然资源,地球上只有百分之三的水是淡水。根据我国国情,淡水资源人均较少,即我国是严重的缺水大国。各个地区的城市化建设步伐加快,环境污染问题也逐渐突显出来,污染问题在水体上主要表现在点源污染和非点源污染上面,前者主要为管道排水,容易控制和管理,非点源污染则由于雨水的冲刷,农村肥料的流失等问题所造成的再污染影响到了淡水资源的纯净。因此,非点源污染的负荷预测问题成为了学术界较为重要的研究对象。较早以前专家针对污染问题提出了较多的成熟模型,但由于我国相关研究起步较晚,数据量不足,难以使用成熟模型进行负荷预测。随着人工智能和机器学习算法的发展,这些新兴的方式能够用少量数据即可得到较为准确的模型,为我国非点源负荷预测提供了新的思路。人工蜂群算法由于其需要的超参数少,结构简单以及易于实现等优点在提出以来就受到了广大科研人员的关注。算法被广泛的应用到了数值最优化、工业工程等领域,并获得了良好的效果。但是原始人工蜂群算法依然有着一些缺陷,如收敛速度慢,容易陷入局部最优解等等。针对原始算法的这些问题,本文对其进行了改进:在雇佣蜂搜索阶段,本文将细菌觅食算法中的趋化行为操作与之相结合,使雇佣蜂能够在搜索的过程中进入一个相对较大的范围,从而提高了算法的探索能力;在跟随蜂跟随阶段,本文借鉴粒子群优化算法中追随当前最优解的原则,将其更新方式引入原算法中,提高了算法的收敛精度。最后将改进的算法与其他算法进行对比,通过测试函数的收敛结果表明改进后算法的性能得到了大幅度的提高。极限学习机(ELM)作为一种新型的前馈神经网络,具有训练速度快,精度高等优点。但其隐层节点参数是随机给定的,从而造成了ELM在训练过程中需要大量隐层节点的后果。本文提出了一种改进的人工蜂群算法优化的极限学习机(HABC-ELM)。算法在人工蜂群算法的基础上引入了细菌觅食算法中的趋化行为和粒子群算法追随当前最优解的行为,改进了人工蜂群收敛速度慢等缺点,再使用改进的人工蜂群算法计算ELM的隐层节点参数。将HABC-ELM应用于回归和分类数据集,并与其他算法进行比较,通过对比RMSE和分类准确度发现改进算法较优。针对非点源污染的负荷预测问题,本文使用了上述改进的人工蜂群算法对极限学习机的连接权值和神经元阈值进行优化,并对中华人民共和国环境保护部数据中心中无锡沙渚断面水质数据进行非点源污染负荷预测。在对原始数据经过异常处理和归一化处理后,使用固定窗口滑动模型对训练数据集进行完善,最终将处理完成的数据放入优化前后的模型中进行训练,训练完成后使用测试数据集进行测试,通过对比RMSE和分类准确度表明,改进的模型较原算法有更好的效果。

关键词： 行程时间预测   在线序列极限学习机   在线支持向量机回归   BP神经网络  

摘要： 本世纪现代地面运输管理的模式主要有交通流诱导和线路引导,交通流诱导和线路引导的一个重要内容是路段行程时间。路段行程时间需要对交通流数据进行分析,而交通流具有不确定性、随机性、实时性等特点,导致路段行程时间预测异常复杂。传统的路段行程预测方法存在各种不足,如卡尔曼滤波算法适应性不强;BP神经网络可以将行程时间的变化趋势反映出来,但预测精度较差。本文针对城市路网的特点,阐述了路段行程时间预测方法的意义,分析了现有路段行程时间预测方法的原理和特点,将在线序列极限学习机应用到路段行程时间预测中,提出了基于在线序列极限学习机的路段行程时间预测算法(Online Sequence Extreme Learning Machine Travel Time Prediction,OSELM-TTP)。将路段行程时间的样本数据固化到隐层输出矩阵中,当算法更新时,只将新产生的数据对网络进行更新,有效地解决了路段行程时间的实时性要求,提高了预测精度。运用MATLAB工具箱,基于实测的交通流数据,对真实路段进行了行程时间预测仿真,将OSELM-TTP与在线支持向量机回归(Online Support Vector for Regression,OSVR)和BP神经网络(Back propagation Neural Network,BPNN)进行了比较和分析。实验结果表明,基于在线序列极限学习机的路段行程时间预测算法有较好的适应性、实时性和准确性,它克服了在线支持向量机回归算法计算过程的复杂性、BP神经网络预测算法精确度差的局限性,整体预测性能比在线支持向量机回归算法和BP神经网络要好,证明了基于在线序列极限学习机预测路段行程时间的可行性。

关键词： 降雨量预测   Storm   极限学习机   在线序列   流数据  

摘要： 降雨量是防灾减灾的重要参量,很大程度反映灾害发生趋势,降雨量对农业生产、水土流式和工程应用等有着重要的影响,对一个地区的降雨量进行准确预测,可以帮助农业、水利部门提高防治旱涝灾害的能力,将危害降低到最低。随着近几年,我国洪涝灾害不断频发,如何准确及时地利用气象数据对降雨量预报也变得越来越重要了。大数据时代的来临,也给气象预报行业带来了新的挑战。气象数据主要来自于地面观测、气象卫星遥感、天气雷达和数值预报产品。这四类数据占数据总量的90%以上,直接应用于气象业务、天气预报、气候预测以及气象服务。流数据是一组数字编码并连续的信号。一般情况下,数据流可被视为一个随时间延续而无限广泛应用于网络舆情分析、股票市场走向、卫星定位、金融实时监控、物联网监控以及实时气象监控等多个领域。在基于大规模气象流数据的降雨量预测领域,还有很大的发展空间。对于传统的降雨量预测,往往利用离线的气象数据,采用机器学习的方法进行批量训练,即所有的训练样本一次性学习完毕后,学习过程不再继续。但在实际应用中,训练样本空间的全部样本并不能一次得到,而往往是随着时间顺序得到。尽管采用大规模集群能够在一定程度上缓解大量数据带来计算能力不足的问题,但是对于新到达的数据,却不能进行快速处理学习并及时更新学习所获得的知识。针对气象数据的实时计算与海量处理的问题,本文提出了一种基于Storm平台的在线序列的极限学习机降雨量预测模型。本文的主要内容和创新点如下:(1)针对气象数据的离线批量预测方法不能及时反映降雨量变化的问题,提出了一种基于在线序列极限学习机的降雨量预测模型。针对气象数据的大规模和实时特性,对极限学习机算法进行在线序列优化。该模型首先初始化多个在线极限学习机模型,当不断到达新的批次的数据时,模型能够在已有的训练结果的基础上继续学习新样本,并引入随机梯度下降法和误差权值调整的方式,对新的预测结果进行误差反馈,实时更新误差权值参数,以提升模型预测准确率。(2)针对气象数据的海量高维特性的问题,在数据预处理阶段,本文采用决策属性之间的相关系数对气象数据分析,利用相关系数筛选预测属性,降低了气象数据复杂度,提高了模型训练效率。另外,采用Storm流式大数据处理框架结合Kafka分布式消息队列,对大规模气象数据进行并行训练。实验结果表明,算法在Storm平台上运行,具有优异的并行性能和预测精度。

关键词： 滚动轴承   评价标准   极限学习机   故障预测技术  

摘要： 根据油田现场数据统计,由滚动轴承引起的故障占电机故障总数的近80%。作为旋转设备中不可或缺的部件,滚动轴承的状态往往决定该设备能否正常运转。塔里木油田哈得作业区丙烷机是生产工艺流程中的重要设备,其电机非驱动端轴承故障频发,对油田生产造成了重大影响。传统的方法难以准确预测电机未来运行状态,不利于油田提高油田设备维护和管理水平。基于上述问题,本文进行了如下几方面的研究:(1)建立了基于极限学习机(Extreme learning machine,ELM)的振动指标预测模型。分析了常用预测模型的优缺点,并建立了基于极限学习机的预测模型。对现场电机滚动轴承振动数据的有效值进行辨识和预测,与BP神经网络和支持向量机的预测结果相比,预测误差更小,表明了极限学习机预测模型在拟合和预测滚动轴承振动参数方面具有突出优势。(2)建立滚动轴承振动指标评价标准。选取时域、频域和小波包分解能量指标共16个作为电机非驱动端滚动轴承的振动评价指标,并结合其历史振动数据,给出了每个指标的评价标准。利用该振动标准对历史故障案例进行分析,分析结果与实际故障结果完全吻合,表明所建立的振动指标评价标准具有现场实用性。(3)基于极限学习机的滚动轴承预测技术研究。采用ELM预测模型对滚动轴承振动指标变化趋势进行预测,然后将预测的振动指标值与所建立的振动指标评价标准相结合进行分析,最终得到电机非驱动端的故障预测结果,经对比,与实际故障情况一致。因此,基于极限学习机的滚动轴承故障预测技术能较好地对设备未来运行状态进行预测评估,为油田设备维护管理提供有力支持。