基于灰色关联分析的BSO-ELM-AdaBoost风电功率短期预测

提出基于灰色关联分析与自适应提升的天牛群优化极限学习机风电功率短期预测方法.首先,利用灰色关联分析构建训练样本集,提高历史数据与预测日时间尺度上的信息关联度.在此基础上,利用天牛群算法优化极限学习机,为极限学习机寻找最优权阈值,提高其泛化能力.最后,引入集成学习理念,通过自适应提升算法学习组合多个极限学习机弱预测器,对...     

基于二次分解和自适应鲸鱼优化算法的碳价格混合预测研究

为提高碳交易价格预测精度,提出了一种混合预测模型。将二次分解的方法引入碳价格预测中。该模型结合了改进的完全自适应噪声集合经验模态分解、变分模式分解、自适应权重鲸鱼优化算法和极限学习机算法。为验证模型的有效性,以某碳市场的数据为算例,结合多个对比模型进行了实证分析。分析结果表明,所提出混合预测模型的预测结果最优;同时发现二次分解的方法简化了碳价数据,可显著提高预测精度。     

消防救援队伍极端气象条件下优化救援资源配置研究——以福建省泉州市消防救援支队抗击台风“杜苏芮”为例

以福建省泉州市消防救援支队抗击台风“杜苏芮”为例,从台风灾害事故特点、救援资源类型、救援资源配置的重要性及原则入手,深入分析极端气象条件下救援资源配置存在的问题及原因,提出加强极端气象条件下救援资源配置的建议和思考。     

极端天气背景下黑龙江省森林防灭火工作的思考

综合分析近年来全球极端天气趋势、2021年黑龙江省极端天气成因以及极端天气对黑龙江省林火三要素火源、可燃物、氧气带来的不利影响,从预警预报、物候监测、应急预案、航空消防体系等角度针对性提出黑龙江省应对极端灾害天气的具体措施。     

基于HSSA-ELM的轴承故障监测方法

为了提高电机轴承故障的精度,提出一种基于改进麻雀搜索算法（HSSA）优化极限学习机（ELM）的轴承故障诊断方法。融入Circle核和母鸡寻食的算法对麻雀搜索算法进行改进,建立了基于HSSA-ELM的轴承故障诊断模型。实验结果证明,对比其它模型,经过优化的ELM的轴承故障诊断模型在识别率上得到了很大提高,准确率高达98%,证实了其有效性和准确性。     

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.     

基于互信息变量选择的燃煤机组SCR脱硝系统PSO-ELM建模

针对燃煤机组SCR脱硝系统出口NO_x浓度存在测量滞后以及吹扫时数据失真等问题,提出了一种基于特征提取和粒子群算法(PSO)优化极限学习机(ELM)超参数的燃煤机组SCR脱硝系统模型。利用互信息(MI)进行时间迟延补偿,采用最大相关最小冗余(mRMR)方法筛选辅助变量,通过PSO优化算法确定ELM最优超参数并建立预测模型,最后进行对比验证。仿真结果表明：采用本文方法所建立的PSO-ELM预测模型的均方误差和相关系数分别为0.931 4 mg/m³和0.978 6,预测精度高,能够为脱硝系统出口NO_x的现场优化控制提供技术支持。     

极端降水对陕西省农业生产的影响

为探究变化环境下极端降水对陕西农业生产的影响,依据陕西省2010—2020年降水数据,结合地形、植被覆盖和社会经济等特征,将HEV（危险性指数、暴露度指数、脆弱性指数）风险评价体系应用于极端降水对陕西省农业生产的影响评价当中,形成风险分布图。研究表明：咸阳市南部、西安市北部以及汉中市中部地区由于地势较低,河网众多,受极端降水的影响较大,风险指数高于0.8,属于高风险地区;陕北的榆林地区由于农业经济密度较低（小于400万元/km2）,农业生产受极端降水影响较小,而汉中市北部则由于植被覆盖度高、地形坡度大,受极端降水影响较小,均属于低风险地区。分析极端降水对陕西省农业生产影响的空间分布特征以及原因,可为变化环境下陕西省农业生产防洪减灾提供理论依据。     

基于RSS-ERT的智能决策系统在涡轴涡桨发动机控制系统机械液压产品试验领域的设计与应用

控制系统机械液压产品是涡轴涡桨发动机控制指令的重要执行元件,其生产装配完成后需要使用专用试验设备进行性能调试,调试合格后方可装配发动机。由于控制系统机械液压产品结构复杂,调试过程烦琐,对试验操作人员的技术水平要求较高,须构建一套基于放回取样策略-极端随机树（Return Sampling Strategy-Extreme Random Tree,RSS-ERT）的智能决策系统。通过在调试过程中采集试验数据并根据产品性能反馈调试决策,降低了调试过程对试验操作人员的技术依赖,提高了调试效率。选取某型号燃油调节器进行系统功能验证,结果表明智能决策功能反馈准确,能够满足使用需求。     

基于数字孪生和AO-ELM融合驱动的RH炉终点温度预报模型

RH精炼炉作为钢铁冶炼过程中的关键设备,其终点温度对后期铸造和产品质量影响较大。为了尽可能准确地预报钢水的终点温度,提出基于数字孪生的RH炉终点温度预报方法,通过数字孪生体模型实现终点温度的精准预报。首先通过天鹰优化器优化极限学习机(AO-ELM)构建终点温度预报虚拟模型,根据物理空间中得到的实时炼钢数据,由AO-ELM模型获得初始预测值,同时更新孪生数据库;然后通过相似度搜索,在孪生数据库中找到相似的冶炼炉次,对比相似炉次下的预报值与实际值,对初始预报值进行加权误差修正,得到最终预报值。实际算例结果表明,所建模型相较于传统人工智能终点温度预报模型更加精准和可靠,对后续温度控制有较好的指导意义。