基于极限学习机的电力短期负荷预测

本文首先对人工神经网络中的单隐含前馈神经网络和极限学习机(ELM)的基本原理和理论进行了概述,然后将极限学习机算法与粒子群算法结合,利用粒子群优化算法(PSO)对极限学习机的参数进行优化,将PSO和ELM的优点结合在一起,使其具备参数调整简单、可以在全局范围寻优、泛化能力强等特点,最后使用基于粒子群算法优化极限学习机的预测模型,在具体数据中进行算例分析,确定预测模型的可行性。     

基于极限学习机的燃气日负荷预测

介绍极限学习机(ELM)的原理,提出极限学习机模型的城市燃气短期负荷预测方法。以重庆市某区域燃气日负荷、气温、日期类型及天气状况等数据为训练样本,采用归一化等预处理方法处理输入数据,通过确定最优隐含层节点数等建立最优极限学习机模型。将实际值和通过采用极限学习机与支持向量机(SVM)方法得到的燃气日负荷预测值进行对比,将采用极限学习机与支持向量机方法的训练时间和预测时间进行对比,极限学习机预测方法具有较好的预测精度,且训练时间短。     

差分进化极限学习机城市燃气负荷预测

介绍极限学习机(ELM)的原理,将差分进化算法(DE)引入极限学习机,通过Matlab建立基于差分进化极限学习机预测模型。实例证明DE-ELM算法能实现快速确定最优的输入层到隐含层的连接权值和阈值,提高神经网络的整体稳定性和预测精度。     

基于PSO-ELM组合算法的热力站负荷预测研究

提出了一种粒子群优化极限学习机(PSO-ELM)算法用于热力站负荷预测,应用粒子群(PSO)算法优化极限学习机(ELM)的输入权值和隐含层阈值。将提出的组合算法应用于天津市某小区热力站的负荷预测中,并与ELM、支持向量回归(SVR)和粒子群优化支持向量回归(PSO-SVR)算法在同等条件下进行比较。结果表明,PSO-ELM在预测精度上优于其他算法;在热负荷波动较大时,表现优于PSO-SVR;在一定范围内样本容量对预测结果影响不大,PSO-ELM可遗忘更多的数据。     

基于ELM的大坝变形分析与预报模型

传统的诸如BP神经网络等学习方法训练时需要设置大量的参数,并且容易产生局部最优解。极限学习机(Extreme Learning Machine,ELM)可以随机选择输入权重以及隐藏层偏差且不需要调节,最终只产生唯一最优解。将ELM引入大坝变形分析建模中,建立了基于ELM的变形预报模型。实例表明,相比传统的逐步回归模型与BP神经网络模型,基于ELM的大坝变形预报模型在效率和精度上都有提高。     

基于改进的GA-ELM煤与瓦斯突出预测模型

为准确、快速地预测煤与瓦斯突出,提出了一种基于因子分析和遗传算法(GA)优化极限学习机(ELM)的煤与瓦斯突出危险性预测模型。构建10种影响因素的煤与瓦斯突出评价指标体系,采用因子分析法对评价指标体系进行分析提取,将提取出的5个公因子作为ELM的输入参数,为避免ELM输入权值和隐含层偏差随机性的影响,应用GA对ELM模型参数进行优化,构建GA-ELM模型,选取20组实例进行仿真预测,同时与传统单一的ELM、SVM和BP模型进行对比分析。结果表明:基于改进的GA-ELM模型能有效降低数据冗余、简化网络结构和提高判别精度,提出将其运用到煤与瓦斯突出的预测与实际结果具有很好的一致性。     

基于IPSO-RELM转炉冶炼终点锰含量预测模型

分析了影响转炉冶炼终点钢水中锰含量的因素,针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢,预测精度低等问题,提出了一种基于极限学习机(ELM)算法建模的新思路,并引入正则化以及改进粒子群优化算法(IPSO),建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM)的转炉终点锰含量预测模型;应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证,并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明,采用IPSO-RELM方法构建的模型,锰含量预测误差在±0. 025%范围内的命中率达到94%,均方误差为2. 18×10~(-8),拟合优度R2为0. 72,上述三项指标均显著优于其他三类模型,此外,该模型还具有良好的泛化能力,对于转炉实际冶炼过程具有一定的指导意义.     

不完备数据的反馈式极限学习机填充算法

随着互联网、大数据等信息技术的发展,数据收集中部分属性缺失的问题受到了广大学者的关注。针对传统极限学习机无法根据输出值对网络结构优化的问题,本文提出基于极限学习机预测缺失属性的反馈式极限学习机(FELM)算法,将卡尔曼滤波思想改进极限学习机并用互信息策略作为属性间的衡量标准,网络模型的训练样本集为完整数据。     

基于GWO-ELM模型的深基坑开挖变形预测研究

为有效控制和预测深基坑开挖引起的周围地表沉降变形,以保定市汽车科技产业园深基坑工程为依托,使用MIDAS GTS NX软件对实际基坑工程施工过程进行模拟,并将实际值与模拟值进行对比,验证模型的准确性。并且使用灰狼优化算法(GWO)优化了极限学习机(ELM)神经网络中的输入权重和隐藏层阈值,建立了GWO-ELM深基坑开挖变形预测模型。以有限元模型中土钉数量、开挖深度、周围建筑物沉降等因素作为预测模型的输入因子,以有限元模型中监测点DB-2地表沉降作为预测模型的输出因子。将GWO-ELM模型预测值与ELM模型预测值对比分析。结果表明：通过有限元软件提取地表沉降等数据,可以对深基坑地表沉降实现超前预测;使用灰狼优化算法对极限学习机神经网络中输入权重和阈值优化,可以提高预测模型精度;经过实际工程验证,GWO-ELM模型平均绝对误差为0.261 45,均方误差为0.312 58,R²为0.987 25,均优于ELM模型。     

优化神经网络在多传感器火灾探测中的应用

针对BP神经网络在拟合过程中探测精度低、容易陷入局部最优的问题,提出一种基于遗传算法（GA）和模拟退火算法（SA）共同改进的BP神经网络模型,该网络模型可以有效提高火灾识别准确率,同时避免网络过拟合现象,使预测结果跳出局部最优从而达到全局最优。首先,通过GA改进隐藏层结构部分,然后通过SA改进连接权重部分,最后利用优化后的GA-SA-BP模型对火灾实验数据进行信息融合实现火灾探测。实验研究表明,对比单一BP神经网络,经GA和SA改进后的BP神经网络能够有效改善网络拟合能力,并提升火灾探测精度至98.91%。     

GA优化BP神经网络在多参量火灾探测中的应用

针对BP 神经网络的随机权重和阈值稳定性不高的问题,运用遗传算法(GA)对BP 神经网络的初始权重和阈值进行优化,提出了一种基于GA 优化BP 神经网络的多参量数据融合方法以实现火灾探测,提高火灾探测准确率和模型泛化性能,并利用该模型对标准明火和阴燃火中的温度、烟雾浓度和CO 浓度进行数据融合实现火灾探测。研究显示,相较单纯BP 神经网络,经GA 优化的BP 神经网络火灾探测算法能够更快速精确地实现火灾探测,探测精度有显著改善,火灾识别准确率提高至98.84%。     

受限空间火灾探测信号可靠性研究

为提高受限空间内火灾预警的准确性,设计并建立1 套针对受限空间内火灾探测信号可靠性研究的技术,将可燃物燃 烧烟气体积分数的实验研究与神经网络仿真算法相结合,验证受 限空间内火灾探测信号是否满足高斯分布。结果表明：可燃物燃 烧烟气体积分数在误差允许范围内可拟合为二次高斯分布形式。 2 种可燃物燃烧产生的CO 值输出信号服从高斯分布,且在燃烧 产生CO 体积分数是否满足高斯分布的预测值上,航空煤油比正 庚烷更稳定,误差值更小       

基于QPSO-BP 神经网络的火灾预警算法

为了进一步提高油库消防系统的安全性,针对其火灾报警信息系统进行了改进,构建基于量子粒子群算法优化BP神经网络的火灾智能预警算法,以温度、烟雾浓度以及CO 浓度数据作为神经网络的输入,以无火、明火以及阴燃火的概率作为神经网络的输出。使用量子粒子群算法优化BP 神经网络运行中随机产生的权值和阈值,加快神经网络收敛到期望误差的速度,增强全局搜索能力。通过MATLAB 软件对智能火灾预警算法的模型进行仿真,模型输出的火情概率与实际值基本吻合。设计了多传感器数据采集设备,获取火灾现场数据,输入网络模型,能够有效识别明火、阴燃火和无火情况,验证了该算法可提高消防预警系统的准确性。     

基于自适应集成神经网络的火灾预测方法

针对传统火灾预测方法存在误报和漏报的问题,提出了一种基于自适应集成神经网络的火灾预测方法。首先,在信息层采用速率检测算法将不同类型传感器检测到的奇异数据输入到网络模型中。其次,在特征层采用长短期记忆网络（LSTM）和径向基前馈神经网络（RBF-BPNN）构建集成网络学习不同输入参数下的火灾特征,最后,在决策层设计模糊逻辑控制系统推理输出火灾报警等级。实验结果表明,该方法具有更高的预测精度。     

小尺度和中尺度产烟模型烟气毒性评价研究

摘 要：以现行燃烧性能分级框架内的小尺度动态管式炉法和中尺度单体燃烧试验为产烟模型,选取典型阻燃和非阻燃材料开展燃烧产烟试验,利用FTIR等气体分析技术实时测量烟气组分数据,借助有效剂量分数（FED）等计算模型进行烟气毒性量化研究。结果表明：根据动态管式炉产烟气体分析计算的FED1值约为单体燃烧试验FED3max值的4～17倍;难燃材料单体燃烧试验获得的FED值较小,通常在0.15以下,而易燃材料的FED值则高达0.65;以小尺度动态管式炉和中尺度单体燃烧试验为产烟模型,应用毒性组分计算模型FED1和FED3,可对材料在火灾无焰燃烧（氧化热解）阶段和通风充足的有焰燃烧阶段的烟气毒性做出具有代表性的有效便捷评价。     

基于1D-CNN的串联故障电弧检测

为提高串联故障电弧检测的可靠性,依据标准搭建串联故障电弧检测试验平台,设计数据实时采集装置采集了白炽灯、日光灯、空气压缩机、吹风机4种线性或者非线性负载在正常和故障情况下的电流数据共9 600组。提出利用一维卷积神经网络（1D-CNN）检测线路中电流信号对其分类,判断是否发生故障电弧。经测试该模型对各类负载的平均检测准确率达到100%,损失值在0.000 7以下。将模型导入嵌入式系统,准确度达到96.25%,证明设计的卷积神经网络架构可成功检测出串联故障电弧,降低火灾发生风险。     

再生水板式换热器微生物污垢热阻的预测

基于细胞自动机模型,多孔介质导热模型,计算再生水在不同温度,时间条件下,流速为0.4 m/s时微生物污垢的厚度及热导率,进而计算微生物污垢热阻(称为计算值)。针对再生水放热工况,采用ANSYS FLUENT建立宽流道板式换热器模型,模拟换热器冷热流体出口温度及再生水侧压力降。将微生物污垢热阻计算值,模拟结果作为微生物污垢热阻预测模型(采用最小二乘支持向量机建立)的训练样本,验证样本,采用平均绝对百分比误差评价预测模型的准确性。预测值与计算值的平均绝对百分比误差为1.48%,说明预测模型的准确性比较高,可用于工程应用。     

Modeling of bare and aspirated thermocouples in compartment fires

As part of an effort to characterize the uncertainties associated with temperature measurements in fire environments, models of bare bead, single-shielded aspirated, and double-shielded aspirated thermocouples were developed and used to study the effects of varying the gas and average effective surroundings temperatures on the thermocouple error of each configuration. The models were developed for steady-state conditions and hence provide information about error trends rather than about absolute error values. The models indicate that thermocouples respond differently to changes in effective surroundings temperature in a hot upper-layer than in a relatively cooler lower layer of a room fire. In an upper-layer, for a given gas temperature, the thermocouple error is relatively insensitive to surroundings temperature. In a lower layer, errors which increase rapidly with surroundings temperature are possible. The most extreme errors occur in a lower layer when the gas temperature is low and the surroundings temperature is high. Aspirated thermocouples reduce the errors in both the upper and lower layers of a room fire, but do not eliminate them entirely. The present study is intended to provide fire researchers with a methodology for developing working models of thermocouples which are tailored to their own configurations.