基于改进EMD-SSA-KELM的用水量预测方法研究

针对用水量具有波动性和不确定性,且预测时存在精度低、可信度差等问题,提出了改进经验模态分解法与麻雀搜索算法优化核极限学习机的组合预测模型。首先使用长短期记忆网络对人民胜利渠的原始引黄用水量序列进行极值延拓,改进经验模态分解法的端点效应;然后通过改进后的经验模态分解法将时序信号分解为若干个本征模态分量,使原始用水量信号平稳化;最后利用麻雀搜索算法优化核极限学习机,对原始用水量序列与通过改进后经验模态分解方法的用水量序列进行预测对比。结果表明：基于改进后经验模态分解方法有效地抑制了端点效应,模型预测误差降低43.51%、可信度提高76.79%,因此采用改进经验模态分解方法有效地提高麻雀搜索算法优化核极限学习机组合模型的预测精度和可信度,在水资源预测中更具适应性。     

基于CEEMD-SSA-SVM的短期光伏发电功率预测

针对光伏发电功率随机波动性导致预测难度大这一问题,采用改进的经验模态分解(CEEMD)对原始光伏发电功率数据进行分解,得到不同尺度的模态分量;然后引入麻雀搜索算法(SSA)对支持向量机(SVM)进行优化,建立不同尺度模态分量的预测模型;最后将各预测值叠加得到最终的光伏发电功率预测值。仿真结果表明,所提CEEMD-SSA-SVM光伏发电功率预测方法在保证原始光伏发电功率序列经CEEMD处理后具有较小重构误差的前提下,极大地提高了预测精准度。     

基于EEMD的区域地下水埋深PSO-ELM预测模型

针对区域地下水埋深时间序列预测问题,本文将集合经验模态分解(EEMD)、粒子群算法(PSO)和极限学习机(ELM)组合,构建了EEMD-PSO-ELM地下水埋深预测模型。选用黑龙江省三江平原友谊农场地下水埋深的时间序列数据,首先利用EEMD将地下水埋深时序数据分解成若干个IMF分量,根据各分量均值将IMF分量分组叠加为高频部分、低频部分和余项;然后针对3个新序列分别构建不同的PSO-ELM模型,进而得到3组预测值,最后将预测值叠加就得到原始地下水埋深序列的最终预测值。通过精度检验发现,该组合预测模型预测效果很好;与径向基网络(radial basis function neural network,RBF)、PSO-ELM模型和ELM模型对比分析,实验结果表明,EEMD和PSO均能有效改善ELM神经网络的预测精度,ELM神经网络在区域地下水埋深预测方面有很大的应用前景。     

基于WPT-ISO-RELM模型的月径流时间序列预测研究

为提高月径流时间序列的预测精度,提升基本蛇群优化(SO)算法搜索能力,同时提升正则化极限学习机(RELM)预测性能,提出了小波包变换(WPT)-改进蛇群优化(ISO)算法-RELM预测模型。首先,利用WPT将月径流时间序列分解为低频分量和高频分量;其次,通过构建8个RELM超参数寻优适应度函数对ISO寻优能力进行检验,并与SO算法、灰狼优化(GWO)算法、变色龙群算法(CSA)、鲸鱼优化算法(WOA)、樽海鞘群体算法(SSA)、侏獴优化算法(DMO)、粒子群优化算法(PSO)的优化结果作对比;最后,建立WPT-ISO-RELM模型,并构建包含WPT-SO-RELM在内的17种模型作对比模型,通过黑河流域莺落峡水文站、讨赖河水文站2个月径流预测实例对各模型进行验证。结果表明：(1)ISO寻优精度优于SO、GWO、CSA、WOA、SSA、DMO、PSO,通过关键参数的改进,能有效提升ISO的极值寻优能力和平衡能力;(2)WPT-ISO-RELM模型对莺落峡水文站、讨赖河水文站月径流预测的平均绝对百分比误差分别为0.854%、0.447%,平均绝对误差分别为0.245、0.068 m     

基于小波包分解的AJS-GMDH月径流时间序列预测研究

为提高月径流时间序列预测精度,建立基于小波包分解(WPD)、人工水母搜索(AJS)算法、数据分组处理方法(GMDH)的WPD-AJS-GMDH月径流时间序列预测模型。采用WPD将月径流时序数据分解为若干子序列分量;选取6个典型函数在不同维度条件下对AJS算法进行仿真测试;利用AJS算法优化GMDH网络关键参数,建立WPD-AJS-GMDH模型,并构建基于支持向量机(SVM)、BP神经网络及完全集合经验模态分解(CEEMD)、小波分解(WD)的17种对比分析模型;最后利用云南省龙潭站1952年~2016年780组的月径流时间序列数据对所建立的18种模型进行检验。结果表明,在不同维度条件下,AJS算法均具有较好的寻优效果;WPD-AJS-GMDH模型预测误差均小于其他17种模型;对于月径流时序数据分解,WPD分解效果优于CEEMD、WD方法;AJS算法能有效优化GMDH网络参数,提高预测性能。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

基于VMD-LSTM-ARMA模型的径流预测

为了提高径流预测的精度,提出了一种用以解决径流预测等问题的组合预测模型,此模型由变分模态分解(VMD)、长短期记忆网络(LSTM)和自回归移动平均(ARMA)组成。为了降低入库流量的复杂度,利用VMD算法将径流数据分解为3个不同频率的模态分量。低频的模态分量继承了数据的时间特性,可以通过构建LSTM预测模型处理;而2个高频序列是平稳的时间序列,可以通过搭建ARMA预测模型处理。将3个子序列的预测结果进行叠加,最终得到径流的预测结果。采用湘江支流的东江水文站2020年的逐小时流量数据进行流量预测,对比试验和其他算法结果表明：所构建的模型可以有效提高水文预报的精度。     

基于CEEMD和相关性函数特性的爆破震动信号滤波方法研究

应用互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法对爆破震动信号进行分解,得到一组IMF分量,对各个分量进行相关性函数特性分析可知,高频噪声在0时刻有最大值,其他时刻取值约为0;低频噪声具有周期函数的自相关函数特性,是岩石爆破震动信号所固有的。据此去除噪声分量,使去噪后的信号更能真实地体现岩石爆破震动特性。以黄河上游某水电站引水发电隧洞实测爆破震动信号为例,将基于CEEMD算法与基于EEMD、EMD算法的信号去噪效果进行对比分析,结果表明:采用EMD、EEMD、CEEMD三种分解方法和相关性函数特性滤波后的信噪比分别为:39.48、40.63、49.07,采用CEEMD算法滤波的信噪比SNR与EMD、EEMD算法相比提高了24.31%和20.78%,从而验证了基于CEEMD和相关性函数特性的滤波方法的实用性与优越性。     

基于EMD-FBI-ELM模型的径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和法务侦查(FBI)算法、极限学习机(ELM)相融合的径流预测方法。首先采用EMD将径流序列数据分解成多个更具规律的分量序列,基于自相关函数法(AFM)、虚假最邻近法(FNN)对每个分量序列进行相空间重构;其次利用FBI算法优化ELM输入层权值和隐含层偏值,建立EMD-FBI-ELM径流预测模型,并构建EMD-FBI-SVM、FBI-ELM、FBI-SVM作对比预测模型;最后通过云南省姑老河水文站年径流预测实例对EMD-FBI-ELM、EMD-FBI-SVM、FBI-ELM、FBI-SVM模型进行验证分析。结果表明：EMD-FBI-ELM模型对实例年径流预测的平均相对误差为3.97%,平均相对误差较EMD-FBI-SVM、FBI-ELM、FBI-SVM模型的预测结果分别降低了53.9%、81.7%、86.5%,具有较好的预测效果。EMD-FBI-ELM模型用于径流预测是可行的,模型及优化方法可为相关预测研究提供参考。     

基于M-ELM的大坝变形安全监控模型

针对大坝变形监测数据存在的非线性强、异常值诊断和剔除工作复杂及传统监控模型抗粗差能力差等问题,结合稳健估计理论抗粗差性强和极限学习机在处理非线性问题方面的优势,建立了基于稳健估计极限学习机的大坝变形安全监控模型。试验确定网络隐含层层数,构建4次方损失函数,采用加权最小二乘法计算输出权值,实现原始监测数据的拟合和预测。以某工程大坝变形监测数据为例进行建模分析,结果表明:以反映模型预测精度的均方误差和平均绝对百分误差及反映模型鲁棒性的中位数绝对偏差作为评价指标,基于稳健估计极限学习机的大坝变形安全监控模型的各项指标明显优于对比模型。     

基于IFA-LSSVM的短期风功率预测

为避免风力发电随机性、波动性对电网调度的影响,同时基于风功率预测在微电网和风储系统等热点研究问题中的应用必要性,建立基于改进萤火虫算法(IFA)优化最小二乘支持向量机(LSSVM)的短期风功率预测模型。首先,利用混沌映射及步长因子自适应调整方法对萤火虫算法进行创新性改进,增强其全局搜索能力,又解决了局部震荡问题;其次,针对LSSVM参数选择的盲目性对预测精度造成严重影响的问题,运用改进的萤火虫算法对LSSVM模型参数进行优化;最后,将本文所提模型应用于新疆某风电场,对本文预测模型和常用PSO-LSSVM预测模型以及未改进FA-LSSVM预测模型的预测结果进行对比。结果表明,本文预测模型精度更高、稳定性更强。     

Monthly Streamflow Forecasting Using ELM-IPSO Based on Phase Space Reconstruction

We have developed a hybrid model that integrates chaos theory and an extreme learning machine with optimal parameters selected using an improved particle swarm optimization (ELM-IPSO) for monthly runoff analysis and prediction. Monthly streamflow data covering a period of 55 years from Daiying hydrological station in the Chaohe River basin in northern China were used for the study. The Lyapunov exponent, the correlation dimension method, and the nonlinear prediction method were used to characterize the streamflow data. With the time series of the reconstructed phase space matrix as input variables, an improved particle swarm optimization was used to improve the performance of the extreme learning machine. Finally, the optimal chaotic ensemble learning model for monthly streamflow prediction was obtained. The accuracy of the predictions of the streamflow series (linear correlation coefficient of about 0.89 and efficiency coefficient of about 0.78) indicate the validity of our approach for predicting streamflow dynamics. The developed method had a higher prediction accuracy compared with an auto-regression method, an artificial neural network, an extreme learning machine with genetic algorithm and with PSO algorithm, suggesting that ELM-IPSO is an efficient method for monthly streamflow prediction.

     

基于小样本学习和生成式对抗网络模型的短期风电功率预测

针对目前国内风电场功率预测过程中预测模型训练缺少大量历史数据导致预测性能不佳的问题,提出了一种基于小样本学习(FSL)和生成对抗网络(GAN)模型方法,扩充样本数据集的同时提高风电预测模型的性能.同时针对传统生成对抗网络模型无法处理回归问题的情况,提出了改进-生产对抗网络(GR-GAN)的模型,使其可以在有限的样本条件...     

长江上游径流混沌动力特性及其集成预测研究

针对长江上游干流主要站点月径流时间序列强非线性和非平稳特征,引入混沌理论和AdaBoost.RT集成极限学习机方法对其月径流时间序列进行分析和预测。首先,以流域径流非线性动力系统混沌特征参数辨识为切入点,研究并发现了流域内在特性作用下月径流时间序列动力响应的混沌现象,推求了月径流时间序列相空间重构的延迟时间和最佳嵌入维数,在此基础上,以重构相空间时间序列作为输入变量,引入基于自适应动态阈值的改进AdaBoost.RT算法改进极限学习机模型的学习性能,得到最佳的混沌集成学习月径流时间序列预测模型。实例研究结果表明,所提方法和模型能够显著提高单一极限学习机模型的泛化性和稳定性,从而获得更优越的预报性能。     

基于蚁群算法优化极限学习机模型的滑坡位移预测

采用高精度的优化算法对于提高滑坡位移预测模型的准确性具有重要意义,然而已有文献中很少对多种优化算法进行对比研究。以三峡库区的八字门滑坡为例,以极限学习机（ELM）理论为基础进行滑坡位移预测,同时运用多种算法对建立模型过程中的参数选择进行优化以期提高预测效果。为提高预测精度,以移动平均法为基础,将滑坡位移分解为趋势项和周期项,趋势项位移使用多项式函数进行预测,周期项位移使用MATLAB自编程序的极限学习机模型进行预测,两项预测值相加即可得到最终的累计位移预测值。计算结果表明：单一的ELM模型能够较为准确地预测具有阶跃式曲线的滑坡累计位移,预测结果的平均误差为23.5 mm,拟合优度为0.973。与粒子群算法和遗传算法相比,蚁群算法（ACO）在计算用时和优化效果上更优,蚁群算法优化极限学习机模型对位移的预测精度也最高,平均误差为10.1 mm,拟合优度为0.998,可在类似滑坡的位移预测研究中进行推广。     

大坝变形监测统计模型与混沌优化ELM组合模型

变形是反映大坝动态演化的重要效应量。为了提升统计模型预测能力,借助极限学习机(ELM)处理非线性问题的优势,对大坝位移的统计模型残差进行数据挖掘。而极限学习机欠缺对混沌动力特性的考虑,为了解决这个问题,采用混沌理论对统计模型残差进行了混沌动力学特性分析,揭示其混沌特性,并据此重构相空间,从而为混沌优化极限学习机提供先验知识。基于统计模型,结合极限学习机和混沌理论的优点,建立统计模型与混沌优化ELM的组合模型。将该组合模型应用于工程实例,由多个定量评估指标对模型进行性能评价,结果表明,组合模型建模合理,预测精度高于统计模型、统计模型与混沌优化BP神经网络组成的组合模型,在大坝变形监测中具有一定的应用价值。     

基于CEEMD-GRNN组合模型的月径流预测方法

针对径流序列的噪声因素与非线性特性,采用互补集合经验模态分解法(Complete Ensemble Empirical Mode Decomposition, CEEMD)与广义回归神经网络(Generalized Regression Neural Networks, GRNN)的组合模型,对汾河上游上静游站、汾河水库站、寨上站、兰村站1958～2000年的月径流序列进行实例研究,探究3种不同建模方式下的组合模型对预测精度的影响,其中组合模型1使用加权平均集成法将各分量预测结果相加,组合模型2去除高频分量后再使用加权平均集成法将剩余分量预测结果相加,组合模型3去除高频分量后将剩余分量预测结果直接相加;再将组合模型与单一GRNN模型进行对比。结果表明:各模型的确定性系数(NS)均大于0.5,预测结果均具有可信度;不同的月径流资料适用不同的建模方法,对于极差较小的月径流序列,组合模型1预测效果最好,与另外两种组合模型及单一模型相比,平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)分别平均减少26%,17%,23%;对于极差较大的径流序列,组合模型2预测效果最好,与另外两种组合模型及单一模型相比,MAE,MAPE,RMSE分别平均减少30%,28%,33%。组合模型2预测误差总小于组合模型3,即加权平均集成法对提高预测精度有一定作用。三种建模过程的CEEMD-GRNN组合模型预测误差均比单一GRNN模型小,说明组合模型较单一模型更适用于月径流预测。     

基于模拟退火算法支持向量机在枯水期月径流预测中的应用

鉴于支持向量机(SVM)最佳算法参数难以确定的不足,利用模拟退火算法(SA)搜索SVM学习参数,提出SA-SVM预测模型,并与基于遗传算法(GA)搜索SVM学习参数的GA-SVM模型作对比,以云南省龙潭站枯水期1-3月月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:SA-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.11%、4.93%和6.75%,精度优于GA-SVM模型,表明SA-SVM模型具有较高的预测精度和泛化能力。SA算法通过赋予搜索过程一种时变且最终趋于零的概率突跳性,有效避免了算法陷入局部极值并最终趋于全局最优。