基于改进遗传算法优化极限学习机的短期电力负荷预测

负荷预测效果直接影响电网的安全稳定和经济效益,是电网调度的重要组成内容。针对极限学习机随机产生输入层权值和隐含层阈值导致网络模型不稳定的问题,提出了一种基于改进遗传算法优化极限学习机的负荷预测方法。利用爬山法改进的遗传算法对极限学习机的权值和阈值进行优化,以获得稳定性强,预测精度高的优化模型。并将此模型与BP网络、极限学习机的预测结果进行对比,仿真实验结果表明,改进模型具有较快的训练速度和更为准确的预测结果,适应于影响因素众多,数据量巨大的现代短期电力负荷预测。     

一类约束分段仿射系统的鲁棒双模预测控制

研究了具有附加扰动约束的分段仿射（PWA）系统的预测控制问题,提出了PWA系统鲁棒双模预测控制方法.该方法基于不确定演变集,即在任意可能的扰动下,系统的预测状态演变集.把它作为预测控制开环优化问题的状态约束,并选择一个鲁棒正不变集作为终端约束,使得优化问题的可行性保证了系统的鲁棒稳定性,并可利用优化问题的次优解来确保系统的鲁棒稳定性,降低了优化计算的复杂性.数值实例表明,获得的双模控制器在预测时域内可渐近稳定系统状态到鲁棒正不变集,并在局部控制器的作用下保持状态在正不变集内,保证了系统的渐近终端有界.     

极限学习机优化及其拟合性分析

运用烟花算法(fireworks algorithm,FWA)优化极限学习机(extreme learning machine,ELM).首先烟花算法经过多次的迭代,确定M个最优的烟花,并且以极限学习机测试样本的RMSE作为烟花算法每次迭代的适应度函数,达到优化极限学习机的输入权值矩阵和隐含层偏差的效果.最后根据广义逆求出输出矩阵.通过对一维sin C函数的测试结果表明,烟花算法优化极限学习机能够以较少的隐含层节点数目达到更高的精度,比极限学习机的测试误差降低了29.58%.在以上基础上又做了对高斯正态分布函数的拟合实验,验证了烟花算法优化极限学习机比极限学习机拥有更好的拟合性能.     

扩大约束分段仿射系统鲁棒预测控制的吸引域

针对一类具有附加有界扰动的约束离散时间分段仿射（PWA）系统,提出一种扩大其鲁棒模型预测控制吸引域的新方法.计算系统的最大鲁棒正不变集以及相关的局部稳定控制律.基于最大鲁棒正不变集,通过多参数规划,采用一步预测时域来离线计算一序列具有收缩性质的鲁棒可稳定集,构成收缩序列集,并将它们作为优化问题的预测状态终端约束集.得到的预测控制器可以鲁棒调节收缩序列集内的状态到鲁棒正不变集,从而确保系统的鲁棒稳定,并扩大了鲁棒预测控制的吸引域.通过数值实例验证了方法的有效性.     

基于截断1-范数损失函数的鲁棒超限学习机

对噪声和异常值较敏感、鲁棒性差是超限学习机(ELM)的主要问题.在1-范数损失函数的基础上,提出截断1-范数损失函数来抑制噪声和异常值的影响,建立了基于截断1-范数损失函数的鲁棒ELM模型.通过迭代重赋权算法求解对应的优化问题,并利用4个模拟数据集和9个真实数据集验证模型的有效性.数值实验结果表明,在噪声环境下鲁棒ELM的泛化性能优于对比方法,并且具有较强的鲁棒性,尤其是在异常值比例较大的情形下.     

基于三域特征提取和WOA-ELM的滚动轴承故障诊断

为提高滚动轴承故障诊断率,提出一种基于三域特征提取和鲸鱼算法优化极限学习机(WOA-ELM)的滚动轴承故障诊断方法。首先,分别对滚动轴承的振动信号进行时域分析、频谱分析和小波包分解,构成故障特征向量集;其次,为避免维度过高影响后续模型诊断效率,应用流形学习中的局部保留投影对特征向量集进行降维并剔除冗余特征,获得对故障信息更具针对性的特征向量集;为解决极限学习机易陷入局部最优的问题,引入鲸鱼算法对极限学习机网络参数进行迭代寻优,提高ELM网络性能;最后,建立鲸鱼算法优化极限学习机的滚动轴承诊断模型,对故障进行分类和诊断。采用美国凯斯西储大学轴承数据对WOA-ELM进行训练和测试,实验结果表明,该方法能有效提高滚动轴承故障诊断率。     

基于GAELM神经网络的日前电价预测

针对日前电价预测问题,利用极限学习机建立预测模型.鉴于极限学习机在训练前随机产生输入权重和隐藏节点偏置,可能导致预测结果不稳定以及预测精度太低的问题,提出了一种基于遗传算法(GA)和极限学习机(ELM)的预测方法.首先利用遗传算法对极限学习机随机生成的参数进行寻优,然后根据优化后的参数建立基于GA-ELM的电价预测模型.最后以此模型对PJM电力市场的日前电价进行预测.结果表明,相比ELM和BP神经网络,GA-ELM具有更高的预测精度.     

地铁车站空调系统瞬态能耗预测模型及应用研究

降低地铁车站空调系统能耗是实现地铁节能的关键.地铁车站空调系统能耗受客流量影响，存在显著的逐时变化.地铁车站空调系统节能设计及运行优化需要以准确的瞬态能耗预测为基础.据此，本研究搭建了基于负荷判断和分时调控的地铁车站空调系统瞬态能耗预测模型，并根据现场实测数据对该模型的准确性进行了验证.在此基础上，对该模型在地铁车站空调系统冷源方案优化中的应用进行了探索.以广州某标准站为例，对常规水冷冷水、整体式蒸发冷凝、直接膨胀式蒸发冷凝三种冷源方案下的系统全年逐时能耗进行预测，进而基于技术经济分析对这三种常用冷源方案在地铁车站空调系统中的适用性进行了讨论.研究结果表明：在三种冷源方案中，直膨式蒸发冷凝方案的节能性能最佳，虽然其初投资高于常规冷水水冷空调系统，但年综合运行费用低，具有最高的经济效益.     

基于FCM和SSA–ELM的超短期风功率预测

针对风电输出功率波动大、随机性强等特征引起风功率难以预测的问题,提出了基于模糊C均值聚类(Fuzzy C-Means,FCM)选取相似日和樽海鞘群算法优化极限学习机（SSA-ELM）的风电场超短期风功率预测模型。首先,采用FCM数据聚类方法,筛选出与预测日相关性较大的历史相似日,将其风速、温度、风向、气压等影响风功率的主要因素组成多输入样本集合;其次,通过训练集在训练过程中确定的网络参数,利用樽海鞘群算法在迭代过程中的充分探索和开发,优化极限学习机的输入权值矩阵及隐含层偏差值,建立樽海鞘群算法优化极限学习机的超短期风功率预测模型;最后,根据超短期风电并网的相关规定,针对河南省某风电场的实际数据,分别从基于相似日超短期预测、具有代表性的四季预测和滚动误差三方面进行仿真实验,与传统极限学习机（ELM）和BP神经网络模型进行对比分析,结果表明本文提出的模型收敛速度快,预测精度较高。证明了基于FCM和SSA-ELM的超短期风功率预测模型具有良好的追踪性和泛化性。     

运筹学中线性规划的鲁棒性

鲁棒线性规划（RLO）是建模方法,结合计算工具,解决当数据不确定和仅仅了解不确定集时的优化问题.本文讨论了线性优化问题所对应的鲁棒线性优化问题的理论与方法.     

含光伏的冷热电联供园区微网多类型储能协调鲁棒优化配置

含光伏的冷热电联供(CCHP)园区微网中有储冷、储热和储电多种类型储能装置,其合理协调配置能够对日负荷曲线进行削峰填谷和平抑光伏出力的不确定波动,进而提高微网运行的安全性和经济性.该文采用盒式不确定集描述光伏出力和冷热电负荷的不确定波动特性建立含光伏的CCHP园区微网中储冷、储热和储电多类型储能的协调鲁棒优化配置模型.该双层优化模型以微网年等值投资和运行费用之和最小为目标函数,通过采用Benders分解法,将双层优化问题分解为寻找某个场景下的配置方案主问题和寻找微网典型日运行费用最大的极端场景子问题进行交替迭代求解,以得到对于光伏出力和冷热电负荷不确定波动具有鲁棒性的储冷、储热及储电装置的协调优化配置方案.最后,以某个CCHP园区微网为例,通过与确定性优化配置方案和只优化配置蓄电池储能方案的比较,表明鲁棒配置方案更有利于平抑光伏出力和负荷的不确定波动,有效提高微网运行的安全性,同时多类型储能协调配置比只配置蓄电池储能方案的经济效益更好.     

基于极限学习机的非线性内模控制

针对非线性的内模控制的逆模难以求解的问题,该文提出一种基于改进极限学习机(MELM)的非线性内模控制方法。在基本的极限学习机模型中加入L1和L2范数罚函数,然后将改进极限学习机算法用于建立非线性系统的内模型和逆模型。仿真实验中,选取4种典型信号进行跟踪,并检验了系统的抗干扰能力和系统参数发生变化时的鲁棒性,通过将MELM和最小二乘支持向量机(SVM)以及极限学习机算法进行对比,表明基于MELM的内模控制方法对非线性系统具有更好的控制性能、较强的抗干扰能力和鲁棒性能。     

线性跟踪误差的指数化投资组合鲁棒优化模型

为消除指数化投资组合中参数的扰动对线性跟踪误差最优解产生的影响,文中针对线性跟踪误差模型,采用鲁棒优化给出了模型参数为矩形不确定集、椭球不确定集的鲁棒模型,分析了该模型由于参数不确定性所造成的缺陷.实证研究表明:采用线性跟踪误差指数化投资组合的鲁棒优化模型的解同时具有鲁棒性与最优性,鲁棒模型与基准模型的收益一致性较好,鲁棒模型的跟踪误差略大于基准模型.     

基于动态步长交替方向乘子法正则化极限学习机

为解决交替方向乘子法（alternating direction method of multipliers, ADMM）正则化极限学习机（regularized extreme learning machine, RELM）迭代收敛速度慢和迭代后期误差衰减停滞的问题,提出一种基于动态步长ADMM的正则化极限学习机,记为VAR-ADMM-RELM．该算法在ADMM算法的基础上采用动态衰减步长进行迭代,并同时使用L1和L2正则化对模型复杂度进行约束,解得具有稀疏性和鲁棒性的极限学习机输出权重．在UCI和MedMNIST数据集中对VAR-ADMM-RELM、极限学习机（extreme learning machine, ELM）、正则化极限学习机（regularized ELM, RELM）和基于ADMM的L1正则化ELM(ADMMRELM)进行拟合、分类和回归对比实验．结果表明,VAR-ADMM-RELM算法的平均分类准确率和平均回归预测精度分别比ELM算法提升了1.94%和2.49%,较标准ADMM算法可以取得3～5倍的速度提升,且对异常值干扰具有更好的鲁棒性和泛化能力,在高维度多样本...     

基于PSO优化极限学习机神经网络的空气质量预报

为了提高空气质量预测精度,提出一种基于粒子群算法优化极限学习机的空气质量预测模型.运用粒子群算法优化极限学习机的初始权值和偏置,在保证预测误差最小的情况下实现空气质量最优预测.选择平均绝对百分比误差、均方根误差和平均绝对误差作为评价指标,通过PSO-ELM、GA-ELM、SOA-ELM、DE-ELM和ELM五个模型预测结果对比发现,PSO-ELM可以有效提高空气质量预报的预测精度,可为空气质量预测提供新的方法和途径.     

一类数据不确定的非线性规划在闭凸集下的鲁棒优化

研究一类数据不确定的非线性规划的鲁棒优化问题,利用凸分析的知识首先推导出此问题在一般不确定集下的鲁棒对应形式,然后当其定义在由一系列凸不等式定义的闭凸集下时,巧妙把它的鲁棒对应形式转化成有限确定的优化问题,最后验证了此方法的可行性.     

智能大厦中央空调系统的最优能量管理

从系统工程的角度分析了智能大厦中央空调系统在运行过程中的能耗问题,建立了中央空调系统能耗模型,提出了中央空调系统的优化运行与节能管理方法.通过离线预测和在线优化计算,得到机组次日优化运行策略,包括机组负荷在一天内各个时段的最优分配、最优蓄冷量、最佳释冷时间等.在最优策略指导下进行在线控制,通过在线实时采集数据,利用基于遗传算法的周期自回归模型(PARM)进行动态短期空调冷负荷预测;利用改进随机编码遗传算法实现中央空调日运行模型的求解,得出中央空调设备优化运行策略.实例计算结果表明:用此方法可使中央空调系统节能达24.5%左右.     

基于R-OSELM的海洋环境数据在线预测

为及时辨识海洋环境的变化趋势和降低长期累积的海洋环境数据对预测模型的影响,提出一种基于循环在线顺序极限学习机(Recurrent Online Sequential Extreme Learning Machine R-OSELM)的海洋环境数据在线预测模型.采用完全在线的方法初始化海洋环境数据训练集,通过在线顺序极限学习机算法对已有的海洋环境数据进行逐块输入,利用极限学习机的自动编码技术与一种归一化方法对输入权重循环处理,实现预测模型的在线更新,最后完成对海洋环境数据的在线预测.使用该模型对溶解氧、叶绿素a、浊度、蓝绿藻进行预测,结果表明R-OSELM模型的预测精度高于对比模型,确定其具备海洋环境数据在线预测能力,可为海洋水域水体富营养化与海洋环境污染预警提供参考.     

基于H∞方法的鲁棒迭代学习控制设计

针对不确定的线性系统,研究鲁棒梯度型迭代学习控制的设计问题.通过分析系统不确定性对反馈闭环控制和前馈学习控制的影响,给出了保证迭代学习控制在有限时间段上鲁棒收敛的充分条件.依据此条件,将迭代学习控制的设计问题转化为H∞设计问题,提出了一种兼具反馈与前馈作用的鲁棒迭代学习控制律.迭代学习控制的设计过程分为两步进行:先基于H∞方法设计反馈控制器,再采用固定步长的梯度法设计前馈控制器.仿真结果表明了该设计方法的可行性.     

基于神经网络的空调负荷实时预测模型

针对暖通空调系统优化和预测控制,研究了利用神经网络进行空调负荷预测的方法.首先对影响空调负荷的因素进行了分析,并讨论了对空调负荷起主要影响作用的气象参数的预测,在此基础上建立了神经网络负荷预测模型.根据神经网络的泛化性能要求,采用最优停止法训练神经网络.将所研究的负荷预测模型用来实时预测北京市某建筑物的空调负荷,仿真结果表明,该模型能对任意气候条件下的空调负荷进行准确预测,可用于暖通空调系统的实时控制.