关键词： 流动不稳定性   时间序列预测   极限学习机   自然循环  

摘要： 摇摆条件下两相沸腾自然循环系统中存在着多种热工参量耦合作用引起的复杂流动不稳定性现象。为了对摇摆流动不稳定系统中的重要热工参量进行实时预测,提出了基于极限学习机人工神经网络模型的多热工参量联合时间序列预测方法。考虑流量和加热壁面温度两个热工参量,使用实验测量数据训练极限学习机模型,进行了单步和多步联合预测仿真实验,并研究了隐层节点数对预测效果的影响。仿真结果显示,基于极限学习机多参量联合预测方法的预测精度优于单一参量预测,且在较多提前步数的预测中优势更为明显。该方法可被推广至更多种热工参量的情况,是一种有效的流动不稳定系统热工参量实时预测途径。

关键词： 光伏电站   辐照度预测   小波分解   极限学习机  

摘要： 文章就传统光伏发电站太阳能辐照强度预测精度不理想的问题,给出基于相对关联数据输入的WD-ELM太阳能辐照强度预测方法,提出对日相似度与前趋势相似度进行多种目标优化来选取相似日集的改进相似日算法,并组织建立了广义回归神经网络功率预测模型,提前一天预测分辨率为15 min的太阳能辐照强度。预测成果表明,此方法相对传统太阳能光伏发电站的辐照度预测更为精确。

关键词： 极限学习机   后验概率   成对耦合法   故障预测  

摘要： 针对多分类极限学习机(extreme learning machine,ELM)缺乏概率输出能力问题,提出一种基于sigmoid后验概率映射和Lagrange成对耦合法的多分类概率ELM(multi-class probabilistic ELM,MPELM)。采用成对耦合法将多分类问题分解成多个二分类问题,利用sigmoid函数将二分类ELM输出映射成概率输出。为融合所有二分类概率输出,推导基于Lagrange乘子法的多分类概率计算公式,最终求解被预测样本分属不同类别的概率。将MPELM用于剩余使用寿命(remaining useful life,RUL)预测,实验结果表明,相比于多分类概率支持向量机(multi-class probabilistic support vector machine,MPSVM),MPELM耗时高于MPSVM,但MPELM所需优化参数少,预测精度高于MPSVM;与基于Hastie成对耦合法的MPELM相比,两者预测精度相近,本文MPELM的测试耗时较少。

关键词： 极限学习机   切换模型   负荷预测   更新模型   预测精度  

摘要： 针对极限学习机算法中输出波动大与模型不稳定的问题,提出采用切换模型极限学习算法进行超短期电力负荷预测的方法。该算法通过切换模型准则,将建立的多个神经网络模型分为误差较小的保持模型和误差较大的更新模型两部分。保持模型无需进行在线更新,减低了模型输出的波动性;更新模型则需采取随机方法进行在线更新,使得训练误差达到最小,提高模型的泛化能力。通过对某地区电力负荷的预测仿真,结果表明了所提方法提高了预测速度,节省了计算时间,具有更佳的泛化能力和预测精度。

关键词： 快时尚产品   网络搜索数据   极限学习机   流行趋势   预测  

摘要： 为实现时尚化设计,时尚产品生产企业需具备精准的识别与预测流行元素的能力。针对快时尚产品的预测问题,构建了基于极限学习机(ELM)模型的预测算法。首先由于快时尚产品具有市场需求不稳定、产品更新速度快等特点,而网络搜索数据不仅反映了用户的焦点关注与个性化需求,其中还蕴含着群体的某些社会或经济行为。利用网络搜索数据和历史成交数据作为数据来源,进而实时挖掘市场需求。其次,由于数据具有非线性不规则变化的特点,构建具有较强学习能力和泛化能力的ELM模型,对快时尚产品的流行趋势进行预测。与传统的统计预测模型相比,加入搜索数据后,构建的模型预测精度较高,同时ELM模型对流行趋势的转折点具有较强的预测能力。

关键词： 极限学习机   遗忘因子   电网   负荷预测  

摘要： 为了实现电网调度的精细调控,除需要预测负荷需求外,还需预测电网实际负荷响应能力。现针对电网负荷响应能力具有时效性的特点,提出一种电网负荷预测新算法——遗忘因子极限学习机预测模型。基于传统的在线递推极限学习机,推导了带遗忘因子的极限学习机递推公式,通过引入遗忘因子可以避免由于电网构成特性的改变导致早期采集数据对预测精度的影响,从而实现更高的负荷预测精度与逼近效果,与其他常规预测模型相比有效地克服了学习速度慢、难以合理确定网络结构、存在局部极小点的缺陷。经实例验证,该方法能有效地提高预测精度,可用于预测电网实际负荷响应能力。

关键词： 温室   温度   湿度   预测   日光温室   极限学习机   经验模态分解   正交基函数  

摘要： 日光温室温湿度模型是其结构设计与控制的重要基础,因日光温室系统具有大惯性、强耦合、非线性等特性,采用机理分析法,难以建立其准确的数学模型,导致日光温室控制效果差。神经网络建模能更加灵活地得到日光温室系统的参数,但传统的极限学习机(extreme learning machine,ELM)存在隐含层神经元激励函数固定,只考虑经验风险(即训练误差最小化),而导致过拟合等问题。为了实现对日光温室内温湿度环境因子的综合控制,需要进一步提高日光温室环境因子的预测精度,该文将基于正交基函数的改进型极限学习机对日光温室环境因子进行辨识,并利用经验模态分解(empirical mode decomposition,EMD)方法确定网络隐含层节点数,建立了日光温室温湿度环境因子预测模型。利用所建立的模型对日光温室内的温度和湿度等环境因子进行预测结果表明:温度模型有效性为0.9434,湿度模型有效性为0.9208,实测值与预测值的拟合关系比较理想,说明基于正交基函数的改进型极限学习机对日光温室进行系统辨识是可行的,且对日光温室智能控制的发展有一定的参考价值。

关键词： 极限学习机   遗传算法   旅客吞吐量   预测模型  

摘要： 极限学习机(ELM)是一种新型单馈层神经网络算法,在训练过程中只需要设置合适的隐藏层节点个数,随机赋值输入权值和隐藏层偏差,一次完成无需迭代.结合遗传算法在预测模型参数寻优方面的优势,找到极限学习机的最优参数取值,建立成都双流国际机场旅客吞吐量预测模型,通过对比支持向量机、BP神经网络,分析遗传-极限学习机算法在旅客吞吐量预测中的可行性和优势.仿真结果表明遗传-极限学习机算法不仅可行,并且与原始极限学习机算法相比,在预测精度和训练速度上具有比较明显的优势.

关键词： 极限学习机   粒子群算法   空调负荷   冰蓄冷空调  

摘要： 以精确的空调负荷预测为前提,方能使得冰蓄冷空调在融冰供冷过程中采取最为合理的运行策略。提出一种改进的增量型极限学习机(PSO-IELM)的建筑物空调负荷预测模型。通过粒子群优化算法,克服传统极限学习机(ELM)在预测中存在的不稳定性。并结合对西安地区某购物中心夏季不同月份的空调负荷进行训练和预测。实例分析结果表明,粒子群优化增量型极限学习机(PSO-IELM)具有更好泛化能力和更高预测精度。是对建筑空调负荷预测的有效手段。

关键词： 经济预测   神经网络   极限学习机   经济指标  

摘要： 传统的经济预测模型不能选择有效的经济指标进行经济预测。文章中首先利用自回归的方法提取与经济增长相关系数高的经济指标,然后针对传统的神经网络学习速度慢、迭代次数多、陷入局部最优等问题,提出了一种基于极限学习机理论和k近邻理论的自适应极限学习机模型用于经济时间序列预测。结果表明,该方法比传统的神经网络、自回归模型、自组织模型、单一的极限学习机模型的精度更高,可以很好地应用于经济增长预测。