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。     

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。     

山岭公路隧道施工安全风险评估方法及其应用研究

由于山岭公路隧道施工安全风险大小与各安全风险影响因子之间存在非线性映射关系,引入混合核函数和粒子群算法,建立基于粒子群算法优化混合核极限学习机的山岭公路隧道施工安全风险评估方法.该方法依据山岭公路隧道地质与施工特征,建立隐含层节点特征映射混合核函数,采用粒子群算法对训练样本进行模型训练,同时对映射函数中混合核函数参数进行最小均方差寻优,获得山岭公路随道施工安全风险评估的混合核极限学习机模型并进行算例验证,结果表明所建模型可靠.     

山岭公路隧道施工安全风险评估方法及其应用研究

由于山岭公路隧道施工安全风险大小与各安全风险影响因子之间存在非线性映射关系,引入混合核函数和粒子群算法,建立基于粒子群算法优化混合核极限学习机的山岭公路隧道施工安全风险评估方法.该方法依据山岭公路隧道地质与施工特征,建立隐含层节点特征映射混合核函数,采用粒子群算法对训练样本进行模型训练,同时对映射函数中混合核函数参数进行最小均方差寻优,获得山岭公路随道施工安全风险评估的混合核极限学习机模型并进行算例验证,结果表明所建模型可靠.     

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。     

基于极限学习机算法的供水管网爆管识别研究

供水管网爆管具有定位难、影响范围广的特点,长期困扰着供水企业。针对供水管网爆管区域识别问题,综合考虑多种影响因素下的爆管工况,利用爆管特征值矩阵构建爆管样本数据集,采用极限学习机算法（ELM）建立爆管区域识别模型;应用K-means聚类算法分析节点水力变化特征的相似性,并在此基础上对管网进行监测区域划分与监测点布设,形成多种监测方案;综合爆管识别率等参数,分析ELM在不同监测方案以及在噪声影响下的识别性能。采用实际管网算例进行了爆管区域识别分析,结果表明：该模型可以进行有效的爆管区域识别,同时结合不同分区方案可以提高爆管识别率;监测点的增加可以减小压力监测数据的噪声影响。     

基于在线序列极限学习机的路段行程时间预测算法

本文针对路段行程时间具有非线性、实时性等特点,研究人员已经提出了动态神经网络、卡尔曼滤波等在线预测算法。而现有大多数实时预测算法并不是真正意义上的实时预测且存在复杂度较高、实时性差等问题。本文在极限学习机的基础上,提出了基于在线序列极限学习机的路段行程时间预测算法,算法能保证预测的实时性。     

基于EEMD阈值去噪的电能质量多扰动分类

针对含噪声的电能质量多扰动分类识别问题,提出一种基于EEMD阈值去噪的分类识别方法。首先依据源噪声信号在电能基波上不同频率和不同幅值叠加的特性,采用EEMD去噪法对信号源分解得到固有模态函数(IMF),消除高斯白噪声后,将得到的IMF分量转化为IMF能量值;最后,运用人工蜂群算法(ABC)优化在线极限学习机(OSELM)实现多扰动分类识别。MATLAB实例证明了提出方法的能够准确的对于扰动信号进行分类识别。     

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。