关键词： 极限学习机(ELM)   三化螟   预测  

摘要： 极限学习机(ELM)学习速度快且泛化性好,极易产生惟一最优解,适用于虫害预测。通过实情验证,在广西宜州三化螟虫害预测预报中,ELM预测精度较高,能够满足虫害预测对准确率和实时性的要求,可作为一种新的虫害预测方法。

关键词： Earth orientation parameters (EOP)   length of day (LOD)   predictions   artificial neural networks (ANN)   extreme learning machine (ELM)  

摘要： This work presents short-and medium-term predictions of length of day (LOD) up to 500 days by means of extreme learning machine (ELM). The EOP C04 time-series with daily values from the International Earth Rotation and Reference Systems Service (IERS) serve as the data basis. The influences of the solid Earth and ocean tides and seasonal atmospheric variations are removed from the C04 series. The residuals are used for training of the ELM. The results of the prediction are compared with those from other prediction methods. The accuracy of the prediction is equal to or even better than that by other approaches. The most striking advantages of employing ELM instead of other algorithms are its noticeably reduced complexity and high computational efficiency.

关键词： Chla浓度   极限学习机回归   预测模型   灰色关联分析   软测量  

摘要： 有效监测海水Chl a浓度状况对近海赤潮等海洋灾害的预警预报有着重要意义。运用灰色关联分析法确定预测模型的输入变量,可有效降低预测模型系统维数。采用极限学习机回归方法建立海水Chl a浓度预测模型,通过与广义回归神经网络、支持向量机回归二种模型的预测效果进行对比,表明极限学习机回归预测模型具有较好的预测精度、预测效率和泛化能力,能够实现针对研究水域环境下Chl a浓度的有效预测。

关键词： 充填体强度   极限学习机   泛化能力   均方误差  

摘要： 针对充填体强度与影响因素之间复杂的非线性关系,利用极限学习机算法(ELM)建立了充填体强度预测的ELM模型,该模型以良山铁矿充填料浆配比试验数据作为训练和测试样本,选取料浆浓度、灰砂比、水泥含量及矿渣微粉掺入量4个影响因素作为输入因子,28天抗压强度作为输出因子。结果表明:当隐含层节点数目选取为17个,激活函数为Sigmoidal时网络模型具有良好的泛化能力和预测精度,模型训练值和预测值与实测值的均方误差(MSE)分别为0.39和0.36,平均相对误差控制在5%以内,对充填体的强度具有良好的预测能力。

关键词： 网络微博   在线性极限学习   热点话题   捕鱼算法  

摘要： 微博热点话题预测对网络舆情控制与管理具有重要意义,针对微博网络热点话题的随机性、非线性以及核极限学习的隐层权值和隐层阈值优化难题,提出一种捕鱼算法优化在核极限学习的微博热点话题预测模型。首先将微博网络热点话题历史样本划分训练样本和测试样本集,然后采用在核极限学习对微博热点话题训练样本进行学习与建模,并采用捕鱼算法优化在线极限学习的隐层权值和隐层阈值,最后采用微博热点话题测试样本对其性能进行测试。实验结果表明,本文模型可以描述微博热点话题的发展趋势,提高了网络热点话题的预测精度,而且性能优于其它网络热点话题预测模型。

关键词： 网络流量   正则极限学习机   相空间重构   混沌理论  

摘要： 网络流量预测一直是网络研究技术中的热点,针对网络流量变化的时变性、混沌性,提出一种相空间重构和正则极限学习机的网络流量预测模型。首先收集大量的网络流量历史样本,并进行相应的预处理,然后根据混沌理论确定最优延迟时间和嵌入维数,并重构网络流量学习样本,最后采用正则极限学习机建立网络流量预测模型,并进行仿真对比实验。结果表明,相对于其它网络流量预测模型,本文模型可以更加准确描述网络流量的非线性变化特点,提高网络流量预测精度,预测结果具有一定实用价值。

关键词： TRANSIENT stability of electric power systems   MACHINE learning   PREDICTION theory   PHASOR measurement   FEATURE extraction (Data processing)  

摘要： A new optimized extreme learning machine- (ELM-) based method for power system transient stability prediction (TSP) using synchrophasors is presented in this paper. First, the input features symbolizing the transient stability of power systems are extracted from synchronized measurements. Then, an ELM classifier is employed to build the TSP model. And finally, the optimal parameters of the model are optimized by using the improved particle swarm optimization (IPSO) algorithm. The novelty of the proposal is in the fact that it improves the prediction performance of the ELM-based TSP model by using IPSO to optimize the parameters of the model with synchrophasors. And finally, based on the test results on both IEEE 39-bus system and a large-scale real power system, the correctness and validity of the presented approach are verified.

关键词： 剩余寿命预测   风力发电机   极限学习机   多变量极限学习机  

摘要： 随着经济社会的快速发展和人们生活水平的不断提高,世界各国对能源的需求持续增加,风能作为一种可再生绿色能源越来越受到各国的重视。然而,在大力发展风电产业的过程中,能否准确及时地判断风电机组运行状态是否变化,正确评价机组当前的运行状态,预测机组运行状态的发展趋势,估计机组重要部件的剩余寿命,为机组维护提供指导依据是目前一个亟待解决的问题。本文针对风力发电机组中机械传动部件的剩余寿命预测问题展开研究,运用主成分分析(Principal Component Analysis,PCA)方法和极限学习机(Extreme Learning Machine,ELM)算法对部件的运行趋势及剩余寿命进行预测分析,并以机械传动部件中的轴承部件为研究对象进行实验验证,为风力发电机机械传动部件的趋势预测及剩余寿命预测提供一定依据。论文主要工作如下:(1)研究基于ELM算法的时间序列趋势预测问题,针对ELM算法中的参数进行优化选取,构建ELM趋势预测模型,应用仿真数据和轴承全寿命数据进行验证,同时与传统的BP算法以及SVM算法进行对比研究,证明ELM算法在预测方面具有一定优越性。(2)针对风力发电机机械传动部件的剩余寿命受多种因素影响的特点,研究基于PCA和多变量ELM的剩余寿命预测模型,其中PCA技术用于消除多个变量之间的数据冗余,多变量ELM用于预测机械部件的剩余寿命,通过轴承全寿命数据的对比研究证明该方法的有效性。(3)搭建风力发电机机械传动部件的预测系统,利用Lab VIEW进行系统的软件设计,对系统进行需求分析及总体设计研究,实现振动信号数据采集功能、时域和频域趋势预测分析功能以及部件的剩余寿命预测分析功能。

关键词： 短期负荷预测   相似日   小波变换   极限学习机  

摘要： 电力系统短期负荷预测是电网实现经济调度的一项重要工作,是电力系统规划的重要组成部分,也是电力系统可靠、经济运行的前提和基础。通过精确的短期负荷预测,能够科学地制定发电计划,合理地安排机组开停,提高电力系统的经济效益。因此研究负荷预测方法,提高负荷预测精度具有重要意义。本文主要针对负荷特性分析以及负荷预测算法展开了研究。本文首先介绍了电力负荷的特点,深入地分析了负荷的自身特性以及气温、降雨、时间等因素对于短期负荷变化的影响。为了优化短期负荷预测的数据样本,本文研究了基于模糊聚类的相似日选取方法,该方法将影响负荷变化的气象状况、星期类型、日期类型等因素作为相似日的选择依据,通过模糊规则对上述选择依据进行量化并建立模糊相似矩阵,再利用相似系数法计算历史日与预测日的相似程度,根据相似度的大小选出相似日。基于模糊聚类的相似日选取模型充分考虑了气象等因素对电力负荷的影响,体现了相似日选取中“周期性”和“近大远小”的原则,能够合理有效地选出相似日。然后,在合理选出相似日的基础上,研究了相似日和BP神经网络相结合的预测模型。该模型按照相似度大小选出若干相似日作为BP神经网络的训练样本,利用BP神经网络的非线性映射和自学习自适应能力避免了相似日修正法的主观性。根据江苏省某市的电网实测数据进行仿真分析,对比了相似日BP网络模型与单一BP网络模型的预测结果。仿真结果表明,相似日的选取能够有效提高BP神经网络的预测精度。最后,针对BP神经网络收敛速度慢、容易陷入局部极小值等缺点,提出了基于相似日选取的小波变换与极限学习机(Wavelet transform-Extreme Learning Machine, W-ELM)相结合的负荷预测模型。该模型通过小波变换将相似日的负荷序列分解为低频基础负荷部分和高频随机负荷部分,低频基础部分采用极限学习机预测,高频随机部分采用加权平均方法预测,重构得出最终预测结果。小波分解将原始序列的高频随机分量分离出来,弱化了负荷的随机性,起到了一定的滤波作用。利用电网实测数据进行仿真研究,对比BP神经网络、极限学习机和小波-极限学习机的预测结果。结果表明,本文提出的相似日选取的小波-极限学习机模型具有更高的预测精度和更短的预测时间。

关键词： 造价预测   输电线路工程   极限学习机   贡献度  

摘要： 引言工程造价预测是工程造价控制的前提,是工程项目可行性研究的基础,也是招投标制定标底的依据,因此工程造价预测成为工程建设中首要解决的问题。快速而又准确地进行工程造价的预测,对于工程项目的管理实践具有重大的理论意义和现实意义。本文采用贡献度-极限学习机这些数学方法构成输电线路工程造价预测模型,并证明该理论与方法的科学性,进而研究解决工程造价预测效率不高这一难题。