关键词： Wavelet transforms  

摘要： It is well known that coalmine gas concentration forecasting is very significant to ensure the safety of mining. Owing to the high-frequency, nonstationary fluctuations and chaotic properties of the gas concentration time series, a gas concentration forecasting model utilizing the original raw data often leads to an inability to provide satisfying forecast results. A hybrid forecasting model that integrates wavelet transform and extreme learning machine (ELM) termed as WELM (wavelet based ELM) for coalmine gas concentration is proposed. Firstly, the proposed model employs Mallat algorithm to decompose and reconstruct the gas concentration time series to isolate the low-frequency and high-frequency information. Then, ELM model is built for the prediction of each component. At last, these predicted values are superimposed to obtain the predicted values of the original sequence. This method makes an effective separation of the feature information of gas concentration time series and takes full advantage of multi-ELM prediction models with different parameters to achieve divide and rule. Comparative studies with existing prediction models indicate that the proposed model is very promising and can be implemented in one-step or multistep ahead prediction.

关键词： TRAVEL time (Traffic engineering)   FORECASTING   MACHINE learning   ESTIMATION theory   DATA analysis   PREDICTION theory  

摘要： Travel time estimation on road networks is a valuable traffic metric. In this paper, we propose a machine learning based method for trip travel time estimation in road networks. The method uses the historical trip information extracted from taxis trace data as the training data. An optimized online sequential extreme machine, selective forgetting extreme learning machine, is adopted to make the prediction. Its selective forgetting learning ability enables the prediction algorithm to adapt to trip conditions changes well. Experimental results using real-life taxis trace data show that the forecasting model provides an effective and practical way for the travel time forecasting.

关键词： 烟草病毒病   正则极限学习机   灰色关联度   建模  

摘要： 为了对烟草病毒病的病情指数进行建模研究,采用了一种正则极限学习机算法:通过引入惩罚因子来权衡结构风险与经验风险的大小,进一步增强网络的泛化性.针对烟草病毒病的众多影响因素,采用灰色关联度算法选取主要影响因子.使用某地1984-1995年病情资料、相关虫情和气象资料,经过数据挖掘、建模仿真,将正则极限学习机应用于烟草病毒病预测中,效果较好,对烟草病毒病的防治具有指导意义.

关键词： 极限学习机   人工神经网络模型   GA—BP   BP   RBF   水质预测   湖库  

摘要： 基于传统BP人工神经网络模型训练速度慢、参数选择困难、易陷入局部极值等问题,提出极限学习机(ELM)的水质预测模型。以云南某水库为例,选取NH3-N、NO2--N、NO3--N、CODMn和水体透明度作为网络输入,TP、TN作为输出,构建基于ELM的湖库TP、TN预测模型,并将ELM预测结果与传统BP、GA-BP、RBF人工神经网络模型模拟结果进行比较。结果表明,ELM模型预测精度高于传统BP和RBF模型模拟结果,甚至略高于GA-BP模型的预测精度,并且ELM模型具有参数选择简便、训练速度快、不会陷入局部最优值等特点,有着较大的计算优势。

关键词： 短期负荷预测   极限学习机   主成分分析法   交互验证法  

摘要： 将极限学习机(ELM)方法引入电力系统短期负荷预测领域。该方法预测能力强,具有计算时间短、计算准确性高、全局搜索等显著特点。在运用ELM算法建立短期负荷预测模型过程中,采用归一化处理输入数据,使用主成分分析法选取计算样本,并由交互验证法确定最优主成分因子数和ELM隐含层节点数。实际算例表明,在于短期负荷预测的预测精度和运算时间方面,ELM方法较传统神经网络方法具有其独特的优势。

关键词： MACHINE learning   AUTOMATION   FEEDFORWARD neural networks   GENERALIZATION   PREDICTION (Logic)   LOGISTIC regression analysis  

摘要： Extreme learning machine (ELM) is a fast learning algorithm of single-hidden layer feedforward neural networks (SLFNs). Compared with the traditional neural networks, the ELM algorithm has the advantages of fast learning speed and good generalization. At the same time, an ordinal logistic regression (LR) is a statistical method which is conceptually simple and algorithmically fast. In this paper, in order to improve the real-time performance, a flare forecasting method is introduced which is the combination of the LR model and the ELM algorithm. The predictive variables are three photospheric magnetic parameters, that is, the total unsigned magnetic flux, length of the strong-gradient magnetic polarity inversion line, and total magnetic energy dissipation. The LR model is used to map these three magnetic parameters of each active region into four probabilities. Consequently, the ELM is used to map the four probabilities into a binary label which is the final output. The proposed model is used to predict the occurrence of flares with a certain level over 24 hours following the time when the magnetogram is recorded. The experimental results show that the cascade algorithm not only improves learning speed to realize timely prediction but also has higher accuracy of X-class flare prediction in comparison with other methods.

关键词： 电力系统   极限学习机   经验分解法   神经网络   泛化性能  

摘要： 电力负荷预测问题一直是电力系统调度、运行和规划的重要研究内容，电力负荷预测方法各有特点，针对不同的气象条件、负荷基础、负荷发展阶段等的负荷预测方法更是理论及工程的迫切需求。本文将极限学习机以及经验模式与极限学习机组合的两种方法应用于电力系统短期负荷预测中，并对湖南某市的实际负荷进行预测。　　 分析负荷变化的周期性、连续性和波动性等典型特点是负荷预测的前提和基础，其中周期性变化规律主要体现为年周期性、周周期性和日周期性等，且受到多种因素的影响。影响负荷变化的因素中，气象因素和日期类型对短期负荷的影响尤为明显。根据影响因素的不同，负荷可以由典型负荷分量，气象敏感负荷分量，异常或特殊事件负荷分量和随机负荷分量构成。为了使样本数据符合计算要求，剔除坏数据以及冗余数据的干扰，防止计算溢出，同时提高负荷预测的精度需对样本数据进行预处理。　　 极限学习机是一种新型的单隐层前馈神经网络，将其引入电力系统，并利用其预测功能应用到短期负荷预测中。分析与研究极限学习机算法原理以及其学习训练方法，其具有结构简单、学习速度快、泛化性能良好、全局最优等特点，能快速、准确地预测负荷值。以湖南C市为仿真算例，结果表明在于短期负荷预测的预测精度和运算时间方面，极限学习机较BP神经网络方法具有其独特的优势。　　 气象、日期等负荷的影响因素主要影响典气象敏感负荷分量以及型负荷分量中的周期分量，相关性较高，而对典型负荷分量中趋势分量的相关性相对较小。为准确反映气象、日期与气象敏感负荷分量以及典型分量中周期分量的非线性关系，提高负荷预测的精准度，引入经验模式分解，将趋势分量从负荷中分解出来。采用多项式拟合预测趋势分量，采用极限学习机预测其它负荷分量，后重新叠加组合得到预测负荷值。以湖南C市为仿真算例，结果表明经验模式分解和极限学习机应用于短期电力负荷组合预测是可行的，有着较高的预测准确度和预测速度，能较好地反映负荷的变化趋势，并具有良好的自适应性。

关键词： 电力负荷   预测精度   极限学习机   时间序列编码   优化算法  

摘要： 电力负荷预测是电力系统的重要组成部分。短期电力负荷预测指的是对办公楼、工厂或学校未来一天到几个月的负荷进行预测。短期电力负荷预测是电力系统调度以及计划部门制定购电计划,乃至合理安排运作方式的基础。其预测精度的高低可以影响电力系统运行的经济性、安全性以及供电质量。所以,短期电力负荷预测模型的探索一直受到人们的重视。　　由于电力负荷与气候、经济以及时间等因素的联系是十分紧密的,并且进行周期性的波动,以往的方法不能描述其变化规律,造成电力负荷的预测精度较低。为了提高电力负荷预测精度,以某建筑电网的负荷数据为研究对象,对电力负荷曲线的变化规律进行深入分析。在此研究基础上,采用极限学习机(Extreme Learning Machine, ELM)对电力负荷进行预测。本文的主要工作内容如下:　　(1)提出了基于时间序列编码的相似日选择和ELM相结合的电力负荷预测方法。基于时间序列编码的相似日选择方法在每个编码点中融入了整个序列的信息,不仅可以描述出序列的趋势,还可以描述出该点在序列中的相对位置。采用ELM进行预测,只需对神经网络中隐层神经元的数目进行设置,在运行流程中网络的输入权值和隐层神经元的偏置都保持不变,而且只生成一个最优解。以某建筑电网的电力负荷数据进行仿真,并将该方法与支持向量机(SVM)和BP神经网络进行对比。实验结果表明该方法具有较高的预测精度和较强的适应性,并且运行时间较短。　　(2)提出了基于Adaboost的ELM电力负荷预测方法。该方法首先初始化训练样本的分布权值,采用ELM当作弱预测器对训练样本进行重复训练并且对权值进行更新,最终将获得的多个ELM弱预测器采用Adaboost算法构建一个新的强预测器。采用遗传算法(Genetic Algorithm, GA)对Adaboost算法的参数进行优化。Adaboost算法克服了ELM的过拟合特性,同时又增强了ELM的泛化能力和适应性。通过实例仿真,将该方法与ELM进行对比,实验结果表明基于Adaboost的ELM比ELM具有更高的预测精度和更好的泛化能力。

关键词： 短期负荷预测   极限学习机   结构风险   最小二乘支持向量机  

摘要： 为了提高电力系统短期负荷预测精度,提出一种基于改进极限学习机(MELM)的短期电力负荷预测模型。引入基于结构风险最小化理论,并结合最小二乘向量机回归学习方法,以克服传统极限学习机(ELM)在短期负荷预测中存在的过拟合问题。某地区用电负荷预测结果表明,改进模型的泛化性与预测精度均优于传统ELM和OS-ELM模型,可为短期电力负荷预测提供有效依据,具有一定的实用性。

关键词： 风力发电   功率预测   小波分解   多模型   极限学习机  

摘要： 风能作为可再生绿色能源已经得到世界各国的广泛应用。由于风具有很强的随机性和不稳定性,导致风电的波动剧烈,给电网的安全稳定运行提出了挑战。本文根据风电的强随机性特点和BP网络预测精度低的缺点,提出了基于小波分解和多模型极限学习机的风电功率预测模型。通过小波分解将风电功率时间序列分解为不同频段的子序列,对各个子序列进行分析,在一定程度上弱化了风电的强随机性。再用多模型极限学习机分别对子序列建立模型,对于每一个子序列再利用设定的挂起准则将建立的子序列的模型分为两部分;对于误差小的挂起模型,无需随机方式进行在线更新,用以降低模型的误差波动;对于误差大的更新模型,采用随机方式进行在线更新。可以进一步弱化风电的强随机性。最后将各个子序列的预测结果重构。对内蒙古某风电场的风电功率预测结果表明,本文提出的方法与其他方法相比,具有更高的预测精度。