基于改进分布式极限学习机的电站锅炉NO_x排放预测算法

提出了一种改进的分布式极限学习机的电站锅炉NO_x排放特性建模方法。引入分布式和岭回归理论,提升了极限学习机预测算法的泛化性能和预测准确率。采用改进的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理大数据的能力。选用某660 MW电站锅炉提供的真实运行数据进行分析,并在Hadoop集群上进行实验,结果表明该模型对NO_x排放有着较好的拟合和预测能力,且提出的算法具有优异的并行性能。     

数据驱动的中小河流智能洪水预报方法对比研究

近几年在洪水预报中,数据驱动洪水预报模型得到了广泛的应用,并取得了良好的效果,但是数据驱动模型大都用于大流域,很少用于小流域.中小河流大多位于资料短缺的山丘区,洪水具有突发性强,汇流时间快,预见期短的特点.为此分别构建了SVM模型、BP神经网络模型、RBF网络模型、极限学习机(ELM)模型,并利用所构建的模型对昌化流域进行预报;结果表明,SVM模型和RBF网络模型在低流量区段预测较准确,而且模型预报稳定;BP神经网络模型在高流量区段较准确,但是模型预报结果不稳定;ELM模型预报误差较大,而且预报不稳定;于是采用组合模型方式:低流量区段采用SVM模型或RBF网络模型,高流量区段采用BP神经网络模型,实验结果表明组合模型预报效果更好.     

考虑变形因子模式下基于正则化极限学习机的大坝变形预报方法

本文将结构风险最小化原则引入极限学习机模型,建立了在考虑变形因子模式下大坝变形预报的正则化极限学习机模型。该模型不仅计算速度较快,而且具有较强的泛化能力。通过对实际工程监测数据的详细分析,结果表明正则化极限学习机模型可以避免原极限学习机模型会导致过学习现象发生的可能,且其预报精度要优于原极限学习机模型、支持向量机模型与BP神经网络模型。显示了将其应用于大坝变形数据分析与预报领域是完全行之有效的。     

基于灰色极限学习机组合光伏发电预测

随着全球能源消耗量的急剧上升,光伏发电由于成本低,环境污染小,得到了大力推广,目前已成为全球能源供给的主体、并且有广泛的应用范围,属于新型情节能源。然而,光伏电站当前在短期功率预测方面依然不太准确,通过利用灰色模型、极限学习机相互组合,形成全新的评估预测方法。方法需要分成两个板块的程序设计,即灰色GM(1,1)模型、极限学习机模型,以此实现数据录入、灰色GM模型预测、极限学习机模型预测以及灰色极限学习机光伏发电功率的预测。最后分别计算灰色模型和极限学习机模型预测结果的平均绝对百分数(MAPE)误差,按照MAPE的大小分配权重并重新组合,得到组合预测结果。研究证明,该方法相对单一的灰色GM(1,1)模型、极限学习机预测而言,在预测精准度上更高,并且整体预测结果符合真实水平。     

基于PSO-ELM模型的短期电力系统负荷预测

为了提高电力负荷预测的精确度、降低预测误差,提出了一种基于粒子群优化的极限学习机(PSO-ELM)模型。通过粒子群算法对极限学习机的参数进行寻优,最后通过PSO-ELM模型和传统ELM模型预测结果的相对误差比对,改进模型将相对误差降低在1%左右,提升了学习速率和预测精度,为电网运行和电力分配提供了决策保障。     

基于归一化核极限学习机的复杂岩性储层的岩性识别方法

<正>确识别岩性对储层参数的精确计算及流体识别工作具有重要意义。针对复杂岩性储层岩性难以准确判别,考虑到核极限学习机可收敛到全局最优解,将核极限学习机进行改进,提出基于归一化核极限学习机的岩性识别方法。通过对中东伊拉克M油田复杂岩性储层579块岩样进行建模,然后对未参与建模的井进行岩性识别,核极限学习机模型预测准确率达到80.03%,归一化核极限学习机模型不仅在预测准确率达到81.85%,且预测速度仅有0.001 1s,在预测准确率与速度上均优于传统主流模型。     

小波-极限学习机在瓦斯涌出量时变序列预测中的应用

针对煤矿瓦斯涌出量预测中经常出现变量难以获取等问题,为了提高瓦斯涌出量的预测精度和可靠性,提出将小波包分解方法与极限学习机相结合,构建瓦斯涌出量的小波-极限学习机时变预测模型。首先,通过小波包分解重构将瓦斯涌出量时变序列分解成高、低频率不同的分量,然后采用极限学习机对小波包分解重构后的时间序列进行预测,再叠加预测值,得到最终的预测结果。以山西天池煤矿某工作面瓦斯涌出量监测时序样本为例,为体现模型的优越性,设置2个对照模型,即小波-BP模型和未经小波处理的极限学习机模型。结果表明:该模型预测相对误差为0.42%～10.45%,平均相对误差仅为2.50%,小波-BP模型的预测相对误差为0.33%～7.33%,平均相对误差为3.42%,未经小波处理的极限学习机模型的预测相对误差为1.59%～13.09%,平均相对误差为4.25%,小波-极限学习机模型的预测精度和泛化能力均高于对照模型;小波包分解重构方法的引入能有效降低数据复杂度,大幅度提高预测精度,为瓦斯涌出量时变序列的预测提供了新的思路。     

基于快速留一交叉验证的核极限学习机在线建模

提出了一种基于快速留一交叉验证(FLOO-CV)的在线核极限学习机(OKELM),以逐次增加新样本与删除旧样本的方式进行在线训练;设计了一种无需人为设定、能够根据系统过程特性自适应改变的FLOO-CV预测误差阈值,根据误差阈值仅引入预报误差较大的样本对模型进行更新,以提高模型的稀疏性和泛化能力;利用Hermitian矩阵求逆引理实现了对网络输出权值的递推求解,减小了在线存储空间和计算时间.经混沌时间序列预测和连续搅拌釜式反应器的过程辨识结果表明,相比于离线核极限学习机、无稀疏策略的在线核极限学习机和在线序贯极限学习机,OKELM具有更快的计算速度和更高的学习精度.     

LMBP算法在闽江上游十里庵站洪水流量预测中的应用

运用反向传播算法的改进方法 LMBP算法,选取闽江上游南平市十里庵水文站最大洪峰流量与其支流建溪建瓯市七里街站、富屯溪顺昌县洋口站、沙溪沙县站3个水文站的相应洪水流量建立LMBP神经网络洪水预报模型.该模型能显著提高运行速度,缩短预报时间.计算结果表明,模型预测精度满足应用要求.     

基于极限学习机和熵值法的岩土灾变预警

滑坡的监测和预测是降低滑坡灾害的有效手段和可行方法。传统监测手段时效性差,采用统计预报模型、确定性模型等模型建立的预测模型精度相对较低。为了改善此问题,提出了一种基于综合测量、以极限学习机与熵值法结合的滑坡预警研究方法。通过分析滑坡的影响因子,搭建滑坡模拟监测平台,由多传感器实时监测到雨量、土壤浅层含水率、土壤深层含水率、下滑应力、地下位移、地表位移等影响滑坡的综合因子。将熵值法用在滑坡的评价中,将其综合评分作为危险性参数及综合测量参数作为训练样本,搭建极限学习机模型。结果表明:在综合测量方法下,将熵值法与极限学习机算法结合的预警模型得到的结果与实际情况一致,预测值与测量值吻合;其精度为98.48%,比BP神经网络精度更高;且网络的学习速度明显提高。可见该方法对滑坡预测的可行性,适用于复杂非线性的滑坡预测中,为建立滑坡预警模型提供了一种可行方法。