关键词： 全矢谱   Hilbert解调   模糊神经网络   小波神经网络   极限学习机   故障预测  

摘要： 当前机械设备向着更加高效化、集成化和大型化的方向发展,因此如何保证其安全稳定的运行具有重大研究意义。随着计算机技术和传感器技术的发展,故障预测理论和技术也随之发展完善,并为上述问题提供一种较好的解决途径。但是传统的信息采集方式是用单一传感器来采集单通道信息来进行分析,因为信息不够全面,可靠性并不是很好。而全矢谱技术则将互为正交的两个通道的信号加以融合,能更全面准确反映出设备运行状态。预测算法方面,一直是人工智能研究的热点,而且近年出现了一系列新的算法,比如极限学习机,具备良好的精度和可靠性,并且具有计算量小,速度快等特点。本文将全矢谱技术与神经网络和极限学习机相结合,并以滚动轴承为对象进行故障预测研究,主要研究内容如下几个方面:(1)采用全矢Hilbert解调方法提取滚动轴承的故障特征频率,通过仿真和实例分析,本方法可以有效将特征频率提取出来,为神经网络训练样本的提取奠定理论基础;(2)提出了基于全矢模糊神经网络的故障预测模型,并进行实例验证,结果表明,因为模糊神经网络自身的缺陷,预测结果稳定性不佳,容易造成误诊;(3)提出了基于全矢小波神经网络的故障预测模型,并进行实例验证,结果表明,利用小波基函数对神经网络进行改造,可以提高神经网络在滚动轴承故障预测中的效果。但是小波神经网络依然没有解决传统神经网络的故有缺陷,依然采用梯度下降的学习方法,因此容易陷入局部极值而影响预测模型效果;(4)针对传统神经网络的不足,提出全矢极限学习机的轴承故障预测模型,通过实例验证表明,它可以很好的拟合期望输出,误差度小,对滚动轴承故障的预测表现了很好的稳定性和精确性。极限学习机不像传统神经网络那样需要设置大量参数,只需要设置隐含层神经元数即可,因此其计算量小,运算速度快,具有很好的实时性能和实用价值。

关键词： 煤炭自燃   logistic回归分析   极限学习机   粒子群算法   参数优化  

摘要： 针对采空区煤炭自然发火的预测问题,从温度、标志气体浓度以及钻孔参数3个方面选取了8个相关因素,利用Logistic回归分析从中提取出5个相对重要的因素作为预测模型的输入,运用极限学习机算法进行预测,并采用粒子群算法对极限学习机的输入权值及隐含层阈值作优化选取,以提高其泛化能力及预测精度,以此建立了PSO-ELM自然发火预测模型.选用28组训练样本和12组检验样本进行模型的预测实验,结果表明,基于Logistic回归分析筛选指标后的PSO-ELM模型有较高的预测精度,是预测采空区自然发火的一个有效方法.

关键词： 短期负荷预测   互补的集成经验模态分解   小波核极限学习机   组合预测模型  

摘要： 电力系统的管理和调度对精确的负荷预测模型有着极高的要求。为全面提高负荷预测模型的性能,提出一种新型的结合互补集成经验模态分解(CEEMD)和小波核函数极限学习机(WKELM)的短期电力负荷组合预测模型。首先通过CEEMD将历史电力负荷数据自适应地分解为一系列相对平稳的子序列,对各分量建立小波核极限学习机的预测模型,预测各分量的负荷值并对其进行求和得到最终预测结果。用四种预测模型对真实的负荷数据进行训练预测,算例表明新模型在预测精度和效率上都具有一定优势,同时克服了传统EMD中容易出现的模态混叠问题以及ELM中存在的过拟合等缺陷,具有一定的实际应用潜力。

关键词： 短期负荷预测   时变Cook距离   非参数概率密度函数估计   累积效应   鲁棒极限学习机算法  

摘要： 针对现有负荷预测方法对于温度、湿度累积效应下的短期负荷预测精度低的不足,该文提出了一种基于时变Cook距离统计量的负荷异常值检测和基于非参数概率密度估计的负荷自适应修复的鲁棒极限学习机(extreme learning machine,ELM)短期负荷预测方法。首先将历史负荷数据按季节分组,根据每个季节实时负荷和对应的气象因素,利用递归最小二乘法获取历史负荷数据的自适应遗忘因子,构建基于遗忘因子的时变Cook距离统计量,检测负荷数据中的异常值(或强影响值);采用非参数概率密度估计,构建实时负荷与气象因素的随机模型对异常负荷值(或强影响值)进行修复。考虑电力负荷数据异常值对预测精度的影响,采用了一种鲁棒ELM算法对负荷数据进行回归分析;最后,引入基因遗传算法对负荷预测模型参数进行优化,提升负荷预测算法预测准确率;通过实例仿真分析,验证了该方法提高预测精度的有效性。

关键词： 极限学习机   束管监测系统   自然发火预测预报  

摘要： 针对煤层自然发火的预测问题,以标志气体分析法为基础,提出了一种基于极限学习机的煤自然发火预报模型,该模型将直接构造出指标气体浓度与煤层是否自然发火之间的非线性映射关系,从而实现对煤层是否自然发火的识别分类。

关键词： 输电线路   神经网络   极限学习机   覆冰预测  

摘要： 针对目前输电线路覆冰厚度预测模型训练时间长,预测精度效果不佳等问题,引入学习速度快、泛化性能好、调节参数少的极限学习机,提出了基于极限学习机的覆冰预测方法,并把极限学习机同传统的几种神经网络算法进行了预测模型性能对比。实验结果表明,基于极限学习的输电线路覆冰预测方法在精度与时间花销上表现更好。

关键词： 极限学习机   脉动风速   预测   最小二乘支持向量机   误差反传神经网络  

摘要： 提出基于极限学习机(ELM)的脉动风速预测新模型.运用自回归滑动平均模型生成脉动风速数据库,并将其分为训练集和测试集.采用ELM对训练集进行学习训练,建立回归模型,从而实现对测试集风速的泛化预测.经与基于粒子群优化(PSO)的混合核函数最小二乘支持向量(PSO-MK-LSSVM)和误差反传神经网络(PSO-BP)对比,验证了ELM模型的有效性.数值结果表明,与PSO-MK-LSSVM和PSO-BP相比,无论在预测精度还是计算速度上,ELM模型都具有显著的优势.

关键词： 贝叶斯极限学习机   混合动力汽车   荷电状态   健康状态  

摘要： 针对混合动力汽车(HEV)电池内部状态预测问题,引入贝叶斯极限学习机(BELM)方法。对BELM的基本原理进行了详细介绍,在高级车辆仿真软件ADVISOR中采集HEV电池的各项性能参数,包括电压、电流、温度和内阻等。基于此,将BELM应用于电池的荷电状态(SOC)和健康状态(SOH)的预测,同时考虑电池老化对内部状态预测效果的影响。BELM预测结果表明:所设计的预测模型具有较高的精度,能够实时准确地预测出电池的SOC和SOH值。

关键词： ACF   风速   短期预测   RELM   正则化  

摘要： 高效、准确的风速预测是风电场功率预测的基础,对风力发电控制和风电场并网运行等具有重要意义。针对风速时间序列具有强烈的非线性和波动性,且难以精准预测的特点,提出一种基于正则化极限学习机(regularized extreme learning machine,RELM)的风电场短期风速预测新方法。首先,采用自相关函数(ACF)对风速时间序列的相关性进行分析,得到预测模型输入属性集合;其次,确定预测网络的输入、输出等参数,并建立RELM模型;再次,利用训练集在训练过程中确定网络参数,构建RELM预测模型;最后,以RELM预测模型开展短期风速预测,得出预测结果。采用美国风能技术中心的实测风电场风速数据开展实验证明,相对于标准的ELM和BP神经网络,新方法具有更好的预测精度。