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。

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.