基于支持向量机的输变电工程造价预测模型研究

针对影响输变电工程造价的因素较多,且各个因素之间相互联系,形成一个相互交叠的网络,从而导致造价预测难度较大,精度较低的问题。建立基于支持向量机的输变电工程造价预测模型,其以输变电工程造价影响因素为输入自变量,预测造价为输出值,通过支持向量机求解回归方程,并通过交叉验证来确定模型的相关参数,从而确定输变电工程造价预测模型,进而通过模型来预测输变电工程造价。最后通过样本数据来对模型进行训练,并对模型进行验证,证明了模型的准确性。     

基于全局搜索策略WOA优化ELM的RUL预测性维护

实时掌握设备的剩余使用寿命(RUL),有助于降低工业互联网制造业中事故成本。为提高预测性维护准确度,使用基于全局搜索策略的鲸鱼优化算法(Improved Whale Optimization Algorithm, IWOA)确定极限学习机(Extreme Learning Machine, ELM)的参数,提出一种新型剩余使用寿命预测模型(IWOA-ELM)。将该模型应用于膜过滤器剩余使用寿命的电子涂层超滤维护数据集,结果表明：与ELM、WOA-ELM预测模型相比,本文提出的IWOA-ELM模型极大地提高了预测精度,泛化能力更强,能有效地预测膜过滤器剩余使用寿命,以便提前计划维护。     

基于数据挖掘技术的输电工程造价预测模型的建立与实现

针对目前输电工程造价技术指标过多,影响因素比较复杂,导致输电工程造价估算困难,设计概算审查难以达到理想效果的问题。建立基于数据挖掘技术的输变电工程造价预测模型,其采用数据挖掘技术来判断不同工程技术指标对工程造价所造成的影响级别,同时能够自动查询错误、异常或者不合理的数据,降低了人为因素的影响,并通过支持向量机来对样本数据进行样本学习,从而建立输变电工程造价预测模型。测试结果表明,该模型预测结果相对误差低,其能够准确预测输变电工程的造价,且对于造价预算具有一定的参考价值。     

基于改进型极限学习机的锂离子电池健康状态预测

针对目前利用机器学习方法预测锂离子电池健康状态( SOH)存在的训练时间长和预测精度低的问题,本文提出了一种基于改进型极限学习机(ELM)的SOH预测模型。首先利用灰色关联分析法选取出健康因子(HI)并将其作为模型的输入,然后通过自适应粒子群优化(APSO)算法对多层极限学习机(ML-ELM)的输入权重和隐层偏置进行了优化,最后利用NASA的3组锂离子电池数据对所提出的模型进行验证,并且与其他机器学习算法进行了比较。仿真实验结果表明,本文提出的APSO-ML-ELM算法的预测结果的RMSE小于2％并且MAPE小于1％,训练时间也相对更短。     

稀疏训练指纹库融合MMPSO-ELM室内可见光定位

为了解决采用极限学习机(ELM)神经网络室内可见光定位方法存在误差较大、网络模型训练时间较长、结果稳定性较差等缺点, 采用稀疏训练指纹库, 融合多目标动量粒子群算法(MMPSO), 结合ELM室内可见光定位方法, 形成MMPSO-ELM方案, 引入动量因子, 避免迭代过程中过度振荡, 加快系统收敛速度。在不同的定位空间内随机选取训练数据集方式, 在测试点数量不同的情况下, 将本方案与后向传播(BP)、ELM以及PSO-ELM 3种定位算法进行了比较。结果表明, MMPSO-ELM方案在20组训练数据条件下, 对80组待定位点进行预测定位, 定位误差最大为0.0225m, 最小误差为0.00093m, 平均定位误差低至0.00143m, 且定位性能受定位空间大小影响较小; MMPSO-ELM可见光定位方案具有定位精度高、速度快、泛化性强等优点。该研究为在室内场所实现快速准确定位提供了理论支撑。     

一种改进的ELM及其在光伏发电上的应用

为了改善极限学习机(Extreme Learning Machine,ELM)收敛速度慢、预测精度不稳定、隐层神经元对网络参数敏感度低等缺点,文中提出了粒子群(Particle Swarm Optimization,PSO)并行模拟退火(Simulated Annealing,SA)优化ELM的算法(APSO-ELM)。该算法首先通过对ELM随机产生的初始权值和阈值进行优化,进化出较优解,然后对每组解进行模拟退火,从而提高算法摆脱局部极值点的能力,最后将优化退火后的解集,用来预测ELM的输出。算法仿真结果表明:改进的ELM可有效解决粒子群寻优过程易陷入局部最优的问题,其预测精度、收敛速度、隐层神经元的敏感度均优于其他常见ELM扩展算法。将改进的ELM应用在光伏发电输出功率预测上,可以预测光伏发电输出功率的变化规律,精度较高。     

基于地统计学快速拓阶的工程造价预测模型

工程造价预测与建模具有重要的实际意义,针对当前工程造价预测模型存在拓阶速度慢、拓阶不彻底的缺陷,结合工程造价数据的变化特点,提出了一种基于地统计学快速拓阶的工程造价预测模型.首先分析了当前工程造价预测的研究现状,然后分析了地统计学的工作原理,并设计了工程造价数据的快速拓阶方法,最后通过工程造价预测仿真实验对模型性能进行了验证.实验结果表明,本文模型的工程造价预测精度超过95%,且工程造价的建模时间要少于其它工程造价预测模型.     

基于组合模型的短时交通流量预测算法

交通流量预测是实现智能交通技术的核心问题,及时准确地预测道路交通流量是实现动态交通管理的前提,短时交通流量的预测是交通流量预测的重要组成部分。该文针对十字路口的短时交通流量预测问题设计了基于交通流量序列分割和极限学习机(Extreme Learning Machine, ELM)组合模型的交通流量预测算法(Traffic Flow Prediction Based on Combined Model, TFPBCM)。该算法首先采用K-means对交通流量数据在时间上进行序列分割,然后采用ELM对各个序列进行建模和预测。仿真实验证明,与单一的BP(Back Propagation)神经网络和ELM相比,该组合模型算法建模时间为BP的1/10, ELM建模时间的4倍,均方误差为BP的1/50, ELM的1/20,该组合模型算法决定系数R2更接近于1,模型可信度更高。     

基于ROF的短期风速极端学习机集成预测

为了对风速进行准确的预测,本文提出一种基于ROF的ELM集成预测算法,即采用ROF算法产生差异性训练数据训练多个个体ELM,然后利用加权平均的方法集成各个体ELM的预测结果。实验表明,与个体预测模型相比,该算法有更高的预测精度。     

基于EEMD技术在电力信息安全中的多步时间序列预测方法

针对用户访问轨迹的数据特征,提出一种基于EEMD技术的多步时间序列预测模型。该模型利用了集合经验模态分解EEMD结合极限学习机ELM模型,混合人工鱼群MAFA优化的方式,克服了算法中存在过拟合和多步时间序列预测的策略限制问题。通过该模型,实现了对访问轨迹时间序列多步预测,结合安全范围包络线,进而提前发现是否存在入侵行为。验证结果表明,优化后的EEMD-ELM模型比传统时间序列预测方法的迭代速率与精度得到了极大提高,泛化能力增强,说明了该方法的有效性、可行性。