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： 煤与瓦斯突出   预测   极限学习机   层次分析法   免疫遗传算法  

摘要： 煤与瓦斯突出灾害一直是阻碍煤矿安全发展的重要因素,国内外许多专家学者也一直致力于煤与瓦斯突出方面的研究,并在煤与瓦斯突出事故预测领域总结出了诸多有效可行的方法策略。本文在充分的分析煤与瓦斯突出发生机理的基础上,深入的研究了影响煤与瓦斯突出的各种因素,提出了基于IGA算法优化的极限学习机模型并应用于煤与瓦斯突出预测。本文以煤与瓦斯突出预测为出发点,围绕以下几个方面的工作进行：(1)通过对当前煤与瓦斯诸多预测手段进行对比总结,分析当前该领域的研究进展以及存在的问题,在此基础上提出极限学习机应用到煤与瓦斯突出预测的研究方案。(2)在讨论煤与瓦斯突出机理及煤与瓦斯突出影响因素的基础上,提出了使用层次分析法对矿井影响煤与瓦斯突出的因素进行权重分析,并以此作为预测煤与瓦斯突出模型输入变量选取的依据。层次分析方法对模型输入变量的优化选取,去除冗余信息,提高了模型的精确度和计算效率。(3)通过对极限学习机结构及算法的分析,针对极限学习机输入权值和隐含层阈值随机选取的缺点引入免疫遗传算法(IGA)进行优化。通过wine数据集分类验证,表明IGA算法优化的极限学习模型提高了模型的稳定性及精确度。(4)通过对免疫遗传算法及极限学习机理论分析,构建煤与瓦斯突出预测模型。采用矿井实际监测数据进行模型验证,且验证结果证实了模型的有效性及精确性。与此同时,结合与支持向量机的验证对比,凸显了模型相对于其他预测模型的良好性能。

关键词： 变压器   故障预测   油中溶解气体分析   极限学习机  

摘要： 变压器的运行状况直接关系到整个电网的安全。油中溶解气体能反映变压器的运行情况,但是,油中溶解气体分析(DGA)法只能对油样采集时刻的变压器故障情况进行诊断,不能对变压器存在的潜伏性故障进行预测。因此,对变压器油中溶解气体预测方法进行研究具有重要的理论价值和实际意义。首先,本文在分析现有变压器故障预测方法的特点及其存在问题的基础上,详细介绍了极限学习机的基本理论及其算法,并将其用于变压器故障预测中,探索基于极限学习机的变压器油中溶解气体预测新方法。然后,给出了基于正则极限学习机的变压器故障预测方法。这种方法主要针对极限学习机在样本数量有限的情况下会出现过度拟合的现象,通过引入结构风险最小化原理和平衡因子权衡经验风险和结构风险的比例。这种方法在保持训练速度快的前提下,有效的提高极限学习机的泛化性能。实验证明,正则极限学习机有更好的拟合和泛化性能。最后,本文在研究了混合核函数、核极限学习机和粒子群算法的基础上,给出了基于粒子群优化混合核极限学习机的变压器故障预测方法。其核函数采用具有局部特性的高斯核函数和全局特性的多项式核函数加权得到的混合核函数。针对核函数参数存在敏感性问题,使用粒子群优化算法对混合核极限学习机参数进行优化,给出了参数的具体优化过程。实验证明,基于粒子群优化混合核极限学习机的变压器故障预测方法具有更好的预测效果。

关键词： FAULT tolerance (Engineering)   PREDICTIVE control   MACHINE learning   AUTOMATIC control   MATHEMATICAL analysis  

摘要： Effective air-ratio control is desirable to maintain the best engine performance. However, traditional air-ratio control assumes the lambda sensor located at the tail pipe works properly and relies strongly on the air-ratio feedback signal measured by the lambda sensor. When the sensor is warming up during cold start or under failure, the traditional air-ratio control no longer works. To address this issue, this paper utilizes an advanced modelling technique, kernel extreme learning machine (ELM), to build a backup air-ratio model. With the prediction from the model, a limited air-ratio control performance can be maintained even when the lambda sensor does not work. Such strategy is realized as fault tolerance control. In order to verify the effectiveness of the proposed fault tolerance air-ratio control strategy, a model predictive control scheme is constructed based on the kernel ELM backup air-ratio model and implemented on a real engine. Experimental results show that the proposed controller can regulate the air-ratio to specific target values within a satisfactory tolerance under external disturbance and the absence of air-ratio feedback signal from the lambda sensor. This implies that the proposed fault tolerance air-ratio control is a promising scheme to maintain air-ratio control performance when the lambda sensor is under failure or warming up.

关键词： 预测算法   极限学习机   信息融合   粒子群算法   D-S证据理论  

摘要： 极限学习机(Extreme Learning Machine, ELM)是近几年发展起来的一种有效的新型单隐层前馈神经网络学习算法,和传统学习算法不同的是,ELM算法的网络参数随机选取,无需调节,输出权值是通过对平方损失函数最小化得到的最小二乘解,因此该算法具有较快的学习速度和良好的泛化性能,并在多模式分类、非线性预测等领域得到了广泛的应用。但是ELM在学习过程中也不可避免的存在众多缺点,其参数的随机选取导致一系列非最优参数的生成,使得所需隐含层节点数多于传统学习算法,影响其泛化性能,并导致系统的病态；在学习过程中仅仅只利用了输入参数的信息进行计算,而忽略了非常有价值的实际输出值；将其应用于工业生产中所得到的精度不能满足实际的标准等等。针对上述缺点,本文提出了一种对ELM的改进算法——粒子群反馈极限学习机(PSOF-ELM),根据卡尔曼滤波的思想,将网络的实际预测值与理论期望值的差值反馈给输入层,形成反馈极限学习机(FELM)网络结构,并根据反馈误差对输入权值做出相应的调整。然后运用粒子群算法对随机网络参数和导致的系统病态进行优化,产生4个候选FELM预测模型,并对其进行组合,形成一个新的网络,以此减小全局的预测误差。在融合阶段为了使效果较好的FELM优势得到发挥,运用D-S证据理论针对组合预测中每个FELM模型的贡献率分配权值,并将权值作用于对每个预测模型的预测结果进行融合。本文以轧制工业中带钢出口厚度预测为背景,针对在实际轧制过程中,带钢出口厚度存在众多的影响因素,并且每个因素根据张力控制方法对带钢厚度产生不同的影响,通过数据处理软件ibaAnalyzer对带钢数据进行分析筛选,并计算输入参数与输出值的互信息值,提取对出口厚度影响较大的特征参数,并运用本文的预测算法对出口厚度进行预测。本文的轧制生产离线实验在MATLAB平台下进行,通过与传统的ELM,BP和AI-SVM算法对比,本文算法有更小的预测误差,更高的预测精度和更好的抗过拟合性能；通过与取平均值的融合模型对比,D-S证据理论融合后,预测精度更高,预测结果波动性越小,更加趋于稳定。

关键词： 船舶横摇运动   极限学习机   预测控制  

摘要： 船舶横摇运动的预测与控制一直是船舶运动控制领域中重要的研究内容。而现代人工智能算法的发展,为船舶横摇运动的预测和控制提供了新的思路。其中极限学习机因结构简单、全局最优、计算速度快等特点使其在船舶运动预测和控制的应用中有着独特的优势。本文基于改进的极限学习机建立实时多步预测模型,并将其应用于船舶横摇运动预测和控制。本文首先介绍了本研究的目的和意义,并对极限学习机以及船舶横摇运动预测和控制等领域的研究现状进行了分析。针对实际系统的非线性及时变动态等复杂特性,应用序贯极限学习机建立时变动态系统的实时多步预测模型,并应用时间差分算法对于模型进行误差补偿,提高了模型多步预测精度。以船舶横摇运动为研究对象,基于船舶耐波性原理分析了船舶横摇运动特性。基于极限学习机构建船舶横摇的实时多步预测模型,并应用实际船舶横摇数据对于船舶横摇角进行多步预测,结果验证了模型有效性。将建立的预测模型作为系统动态的在线预测器,设计一种船舶减摇鳍预测控制系统,利用船舶减摇鳍对于船舶横摇运动进行抑制。建立船舶减摇鳍控制模型和波浪扰动模型,应用控制器进行不同海况环境下的船舶横摇运动控制仿真试验,结果验证了该预测控制系统对控制船舶横摇有良好的效果。通过本文的研究,将极限学习机应用于船舶运动预报和控制的研究中,并验证了极限学习机在船舶横摇运动的实时预测和控制中应用的可行性。

关键词： TIME series analysis   MACHINE learning   ESTIMATION theory   MATRICES   CHAOS theory   MATHEMATICAL analysis  

摘要： Accurate and fast prediction of nonstationary time series is challenging and of great interest in both practical and academic areas. In this paper, an online sequential extreme learning machine with new weighted strategy is proposed for nonstationary time series prediction. First, a new leave-one-out (LOO) cross-validation error estimation for online sequential data is proposed based on inversion of block matrix. Second, a new weighted strategy based on the proposed LOO error estimation is proposed. This strategy ranks the samples' importance by means of the LOO error of each new added sample and then assigns various weights. Performance comparisons of the proposed method with other existing algorithms are presented based on chaotic and real-world nonstationary time series data. The results show that the proposed method outperforms the classical ELM and OS-ELM in terms of generalization performance and numerical stability.

关键词： Forecasting  

摘要： The accuracy of strip thickness is important to measure the quality of the finished product. This paper proposes a strip thickness prediction algorithm using Extreme Learning Machine (ELM) with Improved Particle Swarm Optimization (IPSO). Due to the randomly selecting of the input weights and hidden biases in ELM, the generalization performance may be influenced as well as result in ill-condition problem. In this paper, IPSO is used to choose the input weights and hidden biases, and Moore-Penrose generalized inverse is applied to analytically determine the output weights. IPSO applies jumping behavior to reduce the impact of the bad particles, and considers not only the RMSE but also the 2-norm condition number of the hidden output matrix, so the output weights with smaller norm are obtained. Finally, the optimized ELM is applied to predicting the strip thickness. The results of the comparison experiment show that the proposed algorithm reduces the prediction error, and improves the prediction accuracy and fitting degree.