基于改进极限学习机ELM的光伏发电预测方法研究

提升光伏发电预测的准确性有助于电网的调度管理和经济运行,其关键在于建立高效适用的预测模型。首先采用皮尔逊（Person）相关系数法对影响光伏出力的主要因素进行筛选,确立预测模型的输入特征向量;提出了一种融合Person相关系数法与遗传算法（GA）优化的ELM混合预测模型,并对预测模型中随机生成的参数进行了优化;以某一光伏电站的历史数据为研究对象,采用GA-ELM预测模型对预处理后的数据进行训练和测试,基于模型开展了四个季节典型日的光伏发电功率预测。结果表明：混合预测模型比单一的ELM预测模型和Person相关系数与ELM混合的预测模型的预估偏差率分别降低了19.2%和4.3%,验证了本文模型具有更高的准确性和稳定性。     

锂电池剩余寿命的ELM间接预测方法

针对锂电池直接预测剩余使用寿命难及预测结果不准确等问题,提出利用锂电池循环充放电监测参数构建间接寿命特征参数的方法。应用一阶偏相关系数分析法验证间接寿命特征参数与直接参数间的相关性,选择等压降放电时间作为锂电池间接寿命特征参数,构建基于ELM的等压降放电时间与实际容量的关系模型和等压降放电时间预测模型,实现锂电池的RUL预测。基于NASA锂电池数据集预测并评估锂电池的RUL,并且与ELM直接预测方法和高斯过程回归间接预测方法相比较,本方法能够有效的预测锂电池的RUL,预测结果的误差范围为5%左右,具备较好的锂电池RUL预测精度。     

基于GA-WPT-ELM的6061铝合金表面粗糙度预测

为了提高工件表面粗糙度预测的准确性,针对振动信号特征识别和表面粗糙度预测建模时多个参数难以同步优化和人工经验调优误差较大的问题,提出基于遗传算法（GA）的信号特征识别和表面粗糙度预测的优化算法. 对采集的6061铝合金铣削振动信号进行小波包变换（WPT）和多个特征提取,利用GA优化WPT母小波和特征向量;将信号特征向量和表面粗糙度分别作为极限学习机（ELM）的输入和输出,对预测模型训练的同时,利用GA优化ELM隐含层的神经元个数;对训练好的预测模型进行测试. 实验结果表明,通过GA对振动信号识别和表面粗糙度预测的3类参数同步优化,获得了最佳的信号特征和较高的表面粗糙度预测精度,节省了建模分析计算成本.     

用于飞轮储能系统的轴向分相电机的电磁分析与优化设计

针对轴向分相电机参数优化问题,在分析电机基本电磁特性的基础上,探究一种关键结构参数提取及其优化设计方法。首先,通过有限元分析探究电机悬浮及转矩性能与结构参数间的一般规律,并基于所得各结构参数的变化曲线进行敏感度分析,获取待优化的关键结构参数。其次结合极限学习机学习速度快、建模精度高的优点,构建多目标统一优化模型。然后以改善平均悬浮力及转矩性能为优化目标,利用粒子群算法进行全局寻优以获得最优参数配置。有限元仿真结果表明,优化后电机的悬浮力和平均转矩分别提高了10.07%和6.67%,验证了所述优化方法的有效性。     

基于极限学习机的居民用电行为分类分析方法

针对大数据背景下智能用户用电行为分类问题,提出一种基于极限学习机(ELM)算法的用户用电行为分类方法。首先,在前期用户行为的特征优选策略的基础上,采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行分类分析。然后,将特征优选集作为输入,通过比较不同隐含层激活函数和隐含层节点个数下训练集和测试集的正确率,优选出适用于用户用电行为分析的ELM算法的输入参数。最后,以国内和国外用户用电数据为数据源,进行算例仿真实验,通过与反向传播(BP)神经网络的对比分析表明,所提出的基于ELM算法的用户用电行为分析方法提高了检测的正确率并且降低了算法运行时间,能够更好地掌握用户用电负荷状态,实现配电网的削峰填谷。     

基于KPCA频谱特征提取的球磨机负荷建模方法

球磨机是工业领域中广泛应用的大型旋转设备,由于球磨机运行机理和动态响应特性复杂,运行状态参数的预报存在巨大困难.为解决磨机负荷参数预报的问题,对球磨机外部振动信号进行分析,采用核主元分析KPCA的方法对球磨机振动频谱进行特征提取,然后基于特征提取结果建立磨机负荷参数ELM预报模型,实现对球磨机参数负荷磨矿浓度、料球比和填充率的预报.实验结果表明:预报模型具有较高的准确性,更优于传统ELM模型.     

浮选工艺指标KPCA-ELM软测量模型及应用

精矿品位和尾矿品位是浮选过程重要的工艺技术指标,其难以实现在线检测,且与过程控制变量具有强非线性、不确定性等综合复杂特性,难以直接采用精确的数学模型描述,主要依靠人工化验分析。人工采样化验周期较长,难以满足控制要求,使得浮选精矿品位偏低,尾矿品位偏高,因此建立浮选品位指标的软测量方法受到工业界广泛关注。在分析浮选过程工艺指标相关影响因素的基础上,建立一种基于主元分析KPCA(kernel principal component analysis)和极限学习机ELM(extreme learning machine)的软测量模型。为了消除离群点对软测量模型精度的影响,采用基于稳健位置估计的方法识别离群点,利用核主元分析对软测量模型的输入数据进行降维,提取非线性主元,然后用极限学习机进行建模。该建模方法已成功应用于中国西北某选矿厂浮选车间,工业应用结果表明该方法有很高的预报精度,对生产有一定的指导意义。     

基于MEEMD-多尺度分形盒维数和ELM的球磨机负荷识别方法

针对球磨机在磨矿过程中负荷(充填率、料球比)靠经验难以准确判断的问题,提出基于改进的集总平均经验模态分解算法(modified ensemble empirical mode decomposition, MEEMD)-多尺度分形盒维数盒和极限学习机(extreme learning machine,ELM)的负荷识别方法。该方法首先利用MEEMD算法对不同负荷状态下的磨音信号进行分解得到本征模态分量,然后,采用相关系数法选取敏感模态分量进行重构得到降噪后信号;通过分析重构信号的多尺度分形盒维数,结果表明,欠负荷、正常负荷和过负荷状态下的多尺度分形盒维数存在明显的差异,能够很好地区分磨机的不同负荷状态。将重构磨音信号的多尺度分形盒维数作为极限学习机(ELM)的输入,磨机负荷状态为输出,建立磨机负荷识别模型;通过磨矿实验验证了该方法的有效性,整体识别率高达94.8%,模型能够准确识别磨机负荷状态。     

Experimental study of ELM-induced filament structures using the VUV imaging system on EAST

A high-speed vacuum ultraviolet(VUV) imaging system has been developed on the Experimental Advanced Superconducting Tokamak(EAST), which selectively measures line emission with a central wavelength of 13.5 nm(CVI, n=4–2). It has been employed to study edge/pedestal plasma behavior in EAST. Edge localized mode(ELM)-induced filament structures have been captured by the VUV imaging system during the ELMy high confinement mode discharge with both high temporal and spatial resolutions. The typical features(i.e.poloidal width and pitch angle) of the observed filaments are quantitatively characterized based on the VUV imaging data, and the dependence of these features on basic plasma parameters is analyzed. It is found that the poloidal width is proportional to the heating power, and the pitch angle is inversely proportional to the edge safety factor q.95 The scatterplot shows a positive trend between the poloidal width and the ELM amplitude defined by the relative change in stored energy. These results are based on the condition that the perturbation induced by ELMs is confined to a narrow layer in the plasma.