基于NMWOA-LSTM的卷取温度预测模型

由于热连轧带钢卷取温度控制过程存在强非线性和时变性等因素影响，导致卷取温度控制精度和卷取命中率低。提出一种基于改进鲸鱼算法优化长短期记忆神经网络的方法，加入自适应参数优化和混合变异策略并融合小生境技术得到小生境技术混合变异策略的改进鲸鱼优化算法，建立改进鲸鱼算法优化LSTM的卷取温度预测模型，并与其他模型进行对比。仿真实验表明，在10个测试函数中，同其他先进算法相比，NMWOA算法具有更好的搜索能力和寻优精度；在卷取温度模型预测中，NMWOA LSTM模型同其他4种模型相比，卷取温度高精度命中率达到9750%，提高了卷取温度的预测精度。     

济钢热连轧厂层流冷却系统的改进

正针对济南钢铁集团总公司热连轧厂原有层流冷却系统存在的冷却效果差、卷取温度不可控等问题,分析原因进行了有针对性的改进,从而取得了很好的冷却效果。温度控制是热轧生产线控制的重点,而层流冷却控制(CTC)则是温度控制的关键环节,CTC命中率的好坏直接关系到带钢的质量和成材率。济南钢铁集团总公司热连轧厂(以下简称济钢热连轧厂)原CTC系统由于温度控制准确度不够、冷却模式固定等原因直接带来了带钢性能无法保证、新产品     

西门子S7-400的热连轧层流冷却自动控制系统

为了热轧带钢顺利卷取并保持良好卷形,同时保证带钢成品性能指标,必须使带钢卷取温度控制在合理的范围,现代热连轧生产线基本上都采用层流冷却技术来进行卷取温度控制.针对莱钢1 500 mm热连轧生产线,设计了一套具有国内领先技术水平的层流冷却系统.详细阐述了自动控制系统的配置、系统功能、控制模型和控制策略.系统在现场得到成功应用,结果表明,该系统结构合理、功能完善、性能稳定可靠、控制精度高.     

基于IGWO-MKELM的锂离子电池剩余使用寿命预测

随着锂离子电池在储能系统中比例迅速增大,为避免因电池性能退化导致的事故,如何准确预测锂离子电池剩余使用寿命就成为保障储能系统可靠运行的关键。针对锂离子电池剩余使用寿命预测的问题,提出一种改进灰狼优化多核极限学习机（IGWO-MKELM）预测方法。首先从电池充放电过程中提取能够表征电池寿命退化的间接健康因子作为输入量,然后采用改进灰狼算法对多核极限学习机参数进行寻优,建立改进灰狼优化多核极限学习机预测方法,最后使用NASA电池数据集进行仿真实验。结果表明,IGWO-MKELM方法可以更加精确地预测锂离子电池剩余寿命。     

基于遗传算法改进极限学习机的变压器故障诊断

针对变压器故障的特征,结合变压器油中气体分析法以及三比值法,提出了基于遗传算法改进极限学习机的故障诊断方法。由于输入层与隐含层的权值和阈值是随机产生,传统的极限学习机可能会使隐含层节点过多,训练过程中容易产生过拟合现象。该方法运用遗传算法对极限学习机的输入层与隐含层的权值与阈值进行优化,从而提高模型的稳定性和预测精度。将诊断结果与传统的基于极限学习机故障诊断进行对比,结果表明,基于遗传算法改进极限学习机变压器故障诊断的精度更高。     

基于改进麻雀算法优化深度极限学习机的缺失数据预测

数据缺失降低了数据的可利用性,因此如何预测缺失数据变得尤为重要。针对缺失数据问题,提出一种改进麻雀搜索算法优化深度极限学习机的预测算法。首先,将 Singer混沌映射、柯西-高斯变异策略和余弦权重因子与麻雀搜索算法结合;其次利用改进后的麻雀搜索算法优化深度极限学习机中的各极限学习机中自动编码器的输入权重与偏置,进行缺失数据预测。实验表明,在小数据量,低缺失率下时,改进麻雀搜索算法优化深度极限学习机相较于麻雀搜索算法优化深度极限学习机、粒子群优化深度极限学习机、深度极限学习机,其稳定性强,预测精度最高;在均方根误差、平均绝对误差等评价指标上改进麻雀搜索算法优化深度极限学习机优于对比算法。     

基于核极限学习机误差预测修正的变压器顶层油温预测

为准确估算变压器热点温度,给变压器负载能力估计、热故障预防、绝缘寿命预测提供辅助依据,建立了基于核极限学习机误差预测修正的变压器顶层油温预测模型。该模型采用核极限学习机对典型的Susa热路模型顶层油温的预测误差进行建模预测,并以核极限学习机的预测值修正热路模型顶层油温预测结果。为提高核极限学习机的预测精度,采用引力搜索算法对核极限学习机的惩罚系数和核参数进行优化。算例结果表明,所提模型的预测结果与实测值基本一致,预测精度高于未经误差修正的半物理模型——Susa热路模型和典型的非线性拟合回归模型——引力搜索优化的核极限学习机模型,并且采用的引力搜索优化的核极限学习机算法在训练时间上显著优于引力搜索优化的支持向量机和Elman神经网络算法,且预测精度略优于后2种算法。     

基于信号分解和核极限学习机的风电功率预测

针对传统短期风功率预测模型在功率变化较大情况下的预测精度不高问题,提出了一种基于信号分解和量子粒子群算法优化核极限学习机的短期风功率预测模型.首先利用经验小波变换将原始风功率序列分解成为若干个模态分量,再利用核极限学习机建立每个模态分量的预测模型,为了提高模型预测精度,采用量子粒子群算法优化核极限学习机参数,最后将每个模态分量预测值相加得到最终的功率预测结果.以实际风电场发电功率为例,并与其他预测模型进行比较,结果表明所提模型具有较高的预测精度.     

基于优化极限学习机的直流微电网并网等效建模

针对直流微电网的并网建模问题,提出了一种基于优化极限学习机的直流微电网并网等效建模方法。以直流微电网并网接入点的电压和功率数据分别作为极限学习机的输入和输出,构建基于极限学习机的直流微电网并网等效模型。由于极限学习机在初始化过程中,输入权值和隐层阈值随机设定且不再改变,会导致极限学习机建模缺乏自适应性,影响建模精度。利用鲨鱼气味优化算法对极限学习机的输入权值和隐层阈值进行优化,进一步提高建模精度。鲨鱼气味优化算法通过模拟鲨鱼捕猎过程进行寻优,通过气味粒子浓度引导鲨鱼位置的更新,是一种效率极高的优化算法。通过与微电网的实际仿真模型对比,验证了建模方法的合理性和准确性,说明所提方法具有较好的实际应用价值。     

基于混合分解技术的鲁棒极限学习机的风速预测

提出一种基于混合分解技术的改进鲁棒极限学习机的风速预测模型。混合分解技术的特殊性在于采用变分模态分解,把互补集合经验模式分解所产生的高频固有模态函数进一步分解为多个模态分量,以提高短期风速预测的精度。然后对混合分解技术分解得到的全部风速分量分别建立鲁棒极限学习机模型进行预测,并采用一种改进鲸鱼优化算法对鲁棒极限学习机的参数进行微调。最后,根据西班牙某一风电场实际风速数据进行风速多步短期预测。实验结果表明:基于混合分解技术和改进鲸鱼优化算法优化鲁棒极限学习机的组合预测模型在风速预测中取得较好的预测效果。     

基于PSO-ELM的变压器油纸绝缘状态无损评估方法研究

油浸式电力变压器作为电网中的重要组成部分,其可靠运行至关重要。针对变压器长期运行后无法定量评估其绝缘状态的问题,本文开展了油纸绝缘模型的加速老化及受潮试验,探明了油纸绝缘老化及受潮程度对其回复电压曲线的影响规律,并提出采用粒子群优化（PSO）改进极限学习机(ELM)的参数预测方法,实现了基于回复电压曲线特征参量的油纸绝缘老化与受潮状态量化评估。通过对油纸绝缘模型理化性能分析的对比结果可知,基于PSO-ELM方法的预测值精度远高于传统ELM方法,油纸绝缘内含水率及纸板聚合度预测的绝对误差范围分别小于±0.4%、±30。     

基于自适应极限学习机的变压器故障识别方法

针对变压器状态数据累积规模和复杂程度均增大的情况,单一智能算法进行数据处理的能力有限、精度低,提出了基于自适应极限学习机的变压器故障识别方法。利用免疫算法(IA)的多样性调节机制和存储机制对粒子种群进行优、劣分类,对优、劣粒子分别采用不同的进化方式。经IA改进的粒子群优化(PSO)算法有效克服了种群容易早熟从而导致进化停滞的缺点,提高了全局寻优能力。在参数寻优的基础上,根据寻优输出结果建立变压器故障识别模型。实验计算结果表明所提方法比极限学习机(ELM)、粒子群优化极限学习机(PSO-ELM)、遗传算法优化极限学习机(GA-ELM)方法的故障识别精度高。     

基于SAIGM-KELM的短期风电功率预测

针对时序下风电功率的随机性和波动性问题,提出一种基于自适应智能灰色系统(SAIGM)和遗传算法优化核极限学习机(GA-KELM)的混合风电功率预测模型。首先,以灰色关联性分析不同季度下风向量与数值气象预报(NWP)对风电功率的影响为基础,采用自适应智能灰色系统预测风速,并将预测的风速与相连时序下的风向和NWP有效整合作为预测样本。其次,利用遗传算法优化核极限学习机搭建风电功率预测模型,并将实际风向量与NWP有效整合作为预测模型的训练样本。最后,利用优化后的预测模型实现不同季节的风电功率预测。实验表明混合预测模型可实现对风电功率的短期预测,预测结果具有准确性和可靠性。     

基于混合粒子群算法和多分位鲁棒极限学习机的短期风速预测方法

为实现高精度的短期风速预测,提出一种基于混合粒子群算法和多分位鲁棒极限学习机的短期风速预测方法。在信号处理阶段,利用时变滤波经验模态分解技术将原始风速序列分解为若干子模式以降低其不稳定性。然后采用混合粒子群算法对每一个子模式进行特征提取,接着利用多分位鲁棒极限学习机分别建立预测模型并利用混合粒子群算法进行参数优化,最后对每个子模式的预测值进行聚合计算得到最终的预测结果。仿真结果表明:在考虑使用混合粒子群算法进行特征提取和模型参数优化后,所提方法具有更高的预测精度。同时基于时变滤波法的经验模态分解技术能够进一步提高预测准确性。     

基于奇异谱分析的短期电价预测

针对电价序列具有非线性和非平稳性的特点,提出了一种基于奇异谱分析(SSA)和改进布谷鸟算法(ICS)优化极限学习机(ELM)的短期电价预测模型。采用奇异谱分析提取电价序列中的趋势成分和振荡成分,进行准周期信号分量重建,并对重建序列进行ELM建模预测。针对ELM预测模型中的参数易陷入局部最优的问题,为了提高预测精度,提出改进布谷鸟算法优化预测模型的参数。最后将所有预测序列进行叠加,得到最终的电价预测值。以澳大利亚某电力市场电价数据为例进行分析,通过与其他几种预测模型相比,表明SSA-ICS-ELM模型能有效提高电价预测的精度和稳定性。     

计及模型误差的分布式光伏配电网优化调控方法

当前配电网存在信息采集不全、在线获取电网精确模型困难的问题,导致对分布式光伏的调控存在误差,难以满足配电网安全运行的要求,因此提出了一种计及模型误差的分布式光伏配电网调控方法。基于近似灵敏度建立了光伏调控量粗略计算模型;采用极限学习机(ELM)方法建立人工智能辅助决策模型,作为光伏调控量粗略计算模型的修正;进一步地,基于上述2个模型,设计了计及模型误差的分布式光伏优化调控策略;最后进行仿真分析,结果表明提出的调控方法弥补了仅依赖电网模型进行优化带来的误差,提高了优化调控的精度。     

考虑多类型水电协调的风光电站容量优化配置方法

为减少风光出力波动性造成的弃风、弃光,利用梯级水电和抽水蓄能等不同类型水电之间的调蓄特性,提出一种多类型水电协调参与风光消纳的联合运行策略。考虑多类型水电站出力、水库库容和联络线传输功率等约束,以风光电站投资建设成本、系统运行维护成本及购电成本最小和风光发电占负荷需求比例最大为目标,建立一种多类型水电协调的风光电站容量优化配置模型,采用基于极限学习机的粒子群算法(ELM-PSO)对模型进行求解。以青海某地区为例,通过仿真分析,得出综合考虑系统经济性和风光发电占负荷需求比例最优的容量配置方案,验证了所提策略和所建模型的可行性及有效性。     

风暴灾害下电力断线倒塔概率预测

提出了基于极端学习机(Extreme Learning Machine,ELM)和广义极值(Generalized Extreme Value,GEV)分布的风暴灾害下输电线路断线概率预测模型。该模型首先针对极端风速,通过ELM网络的训练学习,预测出实时变化的风速;随后从概率的角度考虑实时变化的电力线风荷载极值,提出电力线风荷载的实时广义极值分布;从而实现风暴灾害下输电线路的实时断线概率预测。结合输电线路的历史数据展开算例分析,验证了该预测方法的有效性和准确性。     

极限学习机方法在电力线路建设成本估算中的应用研究

为了提高我国电力工程建设成本概预算方法的客观性和科学性,根据电力线路建设的影响因素,结合单隐层前馈神经网络(SLFN)的特点,提出了基于极限学习机(ELM)的电力线路建设成本估算的方法。在分析影响电力线路建设成本的因素和归纳电力线路建设工程的相关具体成本项目的基础上,建立各因素和电力建设成本之间的关系集合,构建基于极限学习机的电力线路建设成本估算神经网络模型,并利用极限学习机算法对该网络模型进行训练,确定网络中的相应参数。算例仿真说明:在电力线路建设成本估算领域,相对于BP网络,ELM不仅速度极快,而且结果良好,泛化性能也较优。     

1500mm热轧层流冷却自动控制系统控制模型与控制策略

为了保证带钢成品性能指标,同时使带钢顺利卷取并保持良好卷形,必须使带钢卷取温度控制在合理范围内。针对莱钢1500mm热连轧生产线,设计了一套具有国内领先技术水平的层流冷却系统。系统采用西门子高性能控制器,并集成了包括遗传神经网络温度预报模型及前馈和反馈控制在内的多种先进的控制模型和控制策略。利用西门子STEP7开发平台完成了软件编程,并开发了界面友好的基于西门子WinCC的人机接口系统,实现了整个系统的全自动控制。系统在现场得到成功应用,结果表明,系统功能完善、性能稳定、控制精度高,保证了卷取带钢的性能。