基于参数优化的KELM和GRU的短期电力负荷预测

为实现基于历史数据驱动的高精度短期负荷时序预测,提出一种基于核极限学习机(KELM)和门控循环网络(GRU)的混合预测方法。首先采用经验小波变换(EWT)将负荷时序分解为多个模态分量,并获得各分解序列与原始序列对应的样本熵值;依据子序列和原始序列间样本熵关系,分别建立基于门控循环网络(Gated Recurrent Unit, GRU)网络和基于核极限学习机(Kernel Extreme Learning Machine, KELM)的混合预测模型,并通过鲸鱼优化算法(Whale Optimization Algorithm, WOA)对核极限学习机(KELM)的参数进行优化。最后累加所有序列预测值以实现短期负荷预测。实验结果表明,所提出的EWT-WOA-KELM-GRU模型较其他对比模型获得了较高的预测精度和更高的拟合优度,较大程度上提高了传统模型在短期电力负荷预测中的性能。     

一种改进的ELM及其在光伏发电上的应用

为了改善极限学习机(Extreme Learning Machine,ELM)收敛速度慢、预测精度不稳定、隐层神经元对网络参数敏感度低等缺点,文中提出了粒子群(Particle Swarm Optimization,PSO)并行模拟退火(Simulated Annealing,SA)优化ELM的算法(APSO-ELM)。该算法首先通过对ELM随机产生的初始权值和阈值进行优化,进化出较优解,然后对每组解进行模拟退火,从而提高算法摆脱局部极值点的能力,最后将优化退火后的解集,用来预测ELM的输出。算法仿真结果表明:改进的ELM可有效解决粒子群寻优过程易陷入局部最优的问题,其预测精度、收敛速度、隐层神经元的敏感度均优于其他常见ELM扩展算法。将改进的ELM应用在光伏发电输出功率预测上,可以预测光伏发电输出功率的变化规律,精度较高。     

基于XGBoost-ELM的氧化铝溶出率预测研究

针对拜耳法生产氧化铝过程中无法实时获取氧化铝溶出效果的问题,建立了极端梯度提升算法(Extreme Gradient Boosting,XGBoost)和极限学习机(Extreme Learning Machine,ELM)相结合的氧化铝溶出率预测模型,综合考虑影响氧化铝溶出率的多种因素,首先利用XGBoost算法对这...     

一种基于Dropout约束深度极限学习机的雷达目标分类算法

雷达目标分类在军事和民用领域发挥着重要作用。极限学习机(Extreme Learning Machine, ELM)因其学习速度快、泛化能力强而被广泛应用于分类任务中。然而,由于其浅层结构,ELM无法有效地捕获数据深层抽象信息。虽然许多研究者已经提出了深度极限学习机,它可以用于自动学习目标高级特征表示,但是当训练样本有限时,模型容易陷入过拟合。为解决此问题,该文提出一种基于Dropout约束的深度极限学习机雷达目标分类算法,在雷达测量数据上的实验结果表明所提算法在分类准确率上达到93.37%,相较栈式自动编码器算法和传统深度极限学习机算法分别提高了5.25%和8.16%,验证了算法有效性。      

基于全局搜索策略WOA优化ELM的RUL预测性维护

实时掌握设备的剩余使用寿命(RUL),有助于降低工业互联网制造业中事故成本。为提高预测性维护准确度,使用基于全局搜索策略的鲸鱼优化算法(Improved Whale Optimization Algorithm, IWOA)确定极限学习机(Extreme Learning Machine, ELM)的参数,提出一种新型剩余使用寿命预测模型(IWOA-ELM)。将该模型应用于膜过滤器剩余使用寿命的电子涂层超滤维护数据集,结果表明：与ELM、WOA-ELM预测模型相比,本文提出的IWOA-ELM模型极大地提高了预测精度,泛化能力更强,能有效地预测膜过滤器剩余使用寿命,以便提前计划维护。     

基于遗传算法和ELM神经网络的目标威胁估计

目标威胁程度是指挥员进行态势评估和指挥决策的重要依据。为准确估计目标威胁情况,提出了基于遗传算法和极限学习机(Genetic Algorithm and Extreme Learning Machine, GA-ELM)的目标威胁评估方法。采用遗传算法优化ELM神经网络的输入权重和隐含层阈值,优化后的ELM神经网络能够克服传统ELM网络不稳定的缺点,具有更好的目标威胁估计性能。实验结果表明,基于GA-ELM的目标威胁估计误差明显小于传统ELM方法,且输出的威胁结果更加稳定。     

基于ELM和MA的微型四频天线设计

提出一个基于极限学习机ELM（Extreme Learning Machine）和文化基因算法MA（Memetic Algorithm）的微型四频（0.92/2.4/3.5/5.8GHz）天线设计算法AntMA-ELM.为了提高天线的性能,算法在MA框架下引入基于综合学习粒子群优化算法CLPSO（Comprehensive Learning Particle Swarm Optimizer）全局搜索和DSCG（Davies,Swann,and Campey with Gram-schmidt）局部搜索,用于确定天线的几何参数.同时,建立ELM回归模型用于直接评估MA优化的适应值函数.实验结果表明,ELM回归模型能够根据输入参数正确估算天线的回波损耗,使MA算法有效提高设计性能和加速优化过程.天线在四个目标频段的回波损耗值均优于-10dB,满足设计要求.     

混合大数据算法分析营销大数据客户用电行为

针对现有技术分析客户用电行为速度慢、效率低下的问题,提出了新型的大数据算法.该方案采用混合大数据算法实现营销大数据客户用电行为的多种分析,在Apriori算法模型的技术上融入改进型K-means均值聚类算法,通过采用极限学习机(Extreme Learning Machine,ELM)原理,实现营销大数据客户用电行为的...     

融合极限学习机

为提高极限学习机(Extreme Learning Machine, ELM)的分类性能,同时保留其训练速度快的优点,该文提出融合ELM的方法,详细分析了特征级融合及决策级融合两种实现方式。为实现决策级融合ELM,提出概率极限学习机(Probabilistic ELM, PELM),将传统ELM的数值型输出转化为概率型输出,使得不同特征的判决结果统一在固定范围。在此基础上,采用自适应权值的方式实现决策级融合,该方法充分考虑了分类器针对不同特征的判决准确率差异,无需先验知识及主观定义。实验证明,该文提出的融合ELM相较于传统的单一特征支持向量机(SVM)方法及ELM方法,具有更优的分类性能;在训练时间方面,优于SVM方法。     

基于GA-ELM模型的锂电池SOH预测

针对锂电池健康状态(State of Healthy,SOH)预测精度低的特点,利用遗传算法改进的极限学习机(Extreme Learning Machine,ELM)算法可提高锂电池SOH的预测精度。ELM输入层到隐含层的权值及隐含层单元的阈值随机产生,ELM算法只需设置隐含层单元的数目及隐含层激活函数类型。相比传统BP算法,ELM算法具有学习速率快、泛化性能好等优点。但由于ELM网络输入层到隐含层的权值和隐含层阈值产生的随机性,ELM算法的稳定性较差。ELM算法中引入遗传算法(GA)优化输入层到隐含层的权值和隐含层单元的阈值,该方法可增强ELM算法的稳定性。实验对比了GA-ELM算法与ELM算法、BP算法、RBF算法及SVR算法对锂电池SOH的预测,结果显示GA-ELM算法相比其他算法在预测精度和算法稳定性上均有提升。