千年的铁树开了花

不断地为员工创造学习机会，使员工适应工作的需要，一向是中国电信持续为客户提供满意服务的基本保证。[编按]     

基于极限学习机的堤防工程多元风险指标评价方法

为提高堤防工程风险评价的准确性,提出了基于极限学习机的堤防工程多元风险指标评价方法。首先,综合考虑影响堤防风险的28个评价指标,利用层次分析法从预警系统、堤防工程系统、环境系统和社会经济系统这4个方面建立了堤防工程多元风险评价指标体系。接着,基于极限学习机算法对28个指标进行标准化处理及分级标准构建,以风险指标作为输入量,分级隶属度作为输出量,划分风险等级,量化评价指标,估计多元风险评价指标值和判断风险的严重程度。最后,依托鄱阳湖重点堤防——康山大堤,构建多元风险评价指标体系,运用极限学习机算法计算多元风险评价指标值。评价结果表明:康山大堤目前处于基本安全水平,符合康山大堤经过两次加固后的工程实际情况,并与其他方法进行对比,验证了提出方法的可靠性和有效性。该方法可拓展应用到其他重要水工结构工程风险评估中。     

基于PCA和CS-KELM的重力坝变形预测模型

重力坝的变形与环境量之间存在复杂的非线性关系、使变形预测模型的输入自变量具有高维性,在一定程度上影响预测模型的精度和泛化能力。因此,提出一种将主成分分析、布谷鸟搜索算法和核极限学习机网络相结合的变形预测模型。该模型通过主成分分析法对与变形相关的水位、温度、时效影响因子进行主成分信息提取,优化网络模型的变量输入,同时采用优化性能更好的布谷鸟搜索算法确定核极限学习机网络的核参数和正则化系数。利用某重力坝的实测资料,对坝体沿坝轴方向和上下游方向的变形位移进行预测,与多种模型预测结果进行对比,并采用不同量化指标进行评价。结果表明,所提模型在两个方向的变形预测中,确定性系数R2分别为0.943和0.931,均高于传统的神经网络和逐步回归模型;在不同测点的上下游方向变形预测中,预测的精度和模型的泛化能力均优于对比模型,从而验证了该模型的可行性和优势。     

基于改进LMD方法的风电机组齿轮箱故障诊断研究

局部均值函数的求取是局部均值分解(LMD)的关键环节。针对局部均值函数求取存在偏差进而造成模态混叠的问题,提出了一种基于局部积分均值的LMD风电机组齿轮箱故障诊断方法。该方法改变了对相邻两极值点求平均值的思路,采用求取相邻两极值点的局部积分均值,再通过滑动平均法进行平滑处理,最终得到局部均值函数。为实现风电机组齿轮箱故障诊断,首先采用改进LMD方法对信号进行降噪处理,然后采用多尺度熵提取降噪处理后信号的特征向量,最后采用极限学习机进行故障诊断。通过仿真分析,证明了该方法能有效解决模态混叠现象,提高了LMD的分解精度。试验验证分析表明,该方法的故障诊断准确率为100%,通过对比分析表明,该方法优于其他故障诊断方法,具有工程应用价值。     

基于SSA-ELM的短期风电功率预测

准确的风电功率预测可以有效地保证电力系统的安全运行,进而影响电网的电力调度,所以高精度的预测方法变得至关重要。针对极限学习机（ELM）随机产生输入权值和阈值导致回归模型不稳定性与预测结果不准确性,以及风电波动性和间歇性等问题,提出一种基于麻雀算法（SSA）优化极限学习机的组合预测模型（SSA-ELM）。利用收敛速度快、精度高、稳定性好的SSA对ELM的权值和阈值进行寻优,实现了对风电功率的精确预测。仿真结果表明,所提出的SSA-ELM模型的预测精度较高、泛化能力强,能够为风电的功率预测及并网安全的稳定运行提供决策支持。     

GIL机械故障诊断与预警技术研究

为了有效诊断气体绝缘金属封闭输电线路(GIL)的机械故障,搭建了110 kV GIL试验平台并设计了3种典型机械故障,通过互补集合经验模态分解(CEEMD)模糊熵值与鲸鱼优化极限学习机(WOA-ELM)模型联合方法对GIL机械故障模式进行识别与诊断。首先,利用CEEMD方法对振动信号进行分解,引入正负白噪声组对信号进行处理,得到含有故障信息的模态分量(IMF)。其次,利用模糊熵计算模态分量特征值,得到能表征故障特征的模糊熵值。最后,结合WOA-ELM模型对特征向量集进行模式识别,根据聚类结果与自适应阈值对GIL设备机械故障进行诊断和预警。结果表明,利用CEEMD与模糊熵对GIL振动信号特征进行分析,可以有效避免模态混叠和冗余噪声分量的干扰,得到能够表征故障特征的特征值;利用WOA-ELM模型可以有效实现GIL设备机械故障诊断与预警。     

基于分组遗传算法的集成多样性增强及其应用

为了解决复杂工业过程的概念漂移问题,提高集成学习模型的泛化性能,基于分组遗传算法,提出一种用于提升基学习器间多样性的建模方法.该方法以在线极限学习机作为基学习器,根据基学习器在滑动窗口上的性能对其进行分组,并执行进化操作,同时引入基因流概念,增加了基学习器间的多样性,提高了集成算法在处理概念漂移数据流时的预测性能.最后使用合成数据集和真实数据集验证了所提算法的合理性与有效性.     

基于量子粒子群优化极限学习机的频谱感知算法

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于量子粒子群优化极限学习机(E L M)算法的认知无线电网络频谱感知方法.针对极限学习机算法的特点通过量子粒子群算法(Q P S O)优化极限学习机参数,并构建引入结构风险思想的QPSO-ELM模型,降低算法的经验风险提高模型的泛化能力,提高算法的频谱感知性能.仿真实验表明,与人工神经网络(A N N)、支持向量机(S V M)和极限学习机(E L M)三种机器学习算法,在信噪比为-15 dB时的频谱感知性能进行比较,分别提高了16％、28％、9％,仿真证明所提算法在低信噪比情况下具有较高的性能,可有效地实现对主用户信号的频谱感知.     

基于极限过程学习机的储层微观孔隙结构识别

准确分析储层岩石的微观孔隙结构特征是发挥油气层的产能和提高油气采收率的关键.构建一种具有过程式输入的极限学习机模型,并提出基于灰狼优化算法原理改进的混洗蛙跳算法对模型的网络隐层节点个数及网络权值进行优化,利用基于张量乘积矩阵的广义逆求解方法加速极限过程学习机模型的求解.实验结果表明:与5种改进混洗蛙跳算法对比,所提的算法无论在6个高维函数优化还是微观孔隙结构类型识别方面都取得了最好的优化效果,具有很好的实际应用价值.     

基于极限学习机的变压器热点温度实时预测方法研究

油浸式变压器的负载能力和运行寿命与其热点温度密切相关,准确预测变压器热点温度对监测变压器健康状态和制定动态增容决策有着重要意义.为了预测变压器热点温度,以变压器负载率、环境温度和顶层油温为特征值,采用BP神经网络、Elman神经网络和极限学习机(extreme learning machine,ELM)3种方法分别拟合变压器的热点温度,结果表明,ELM模型的拟合度更高,运算速度更快.通过温度、湿度、天气类型等7类变压器运行历史数据,构建基于支持向量回归(support vector regression,SVR)的电力负荷预测模型,将预测结果作为ELM模型的前置输入,提出一种基于极限学习机的变压器热点温度实时预测方法.以某220 kV油浸式变压器的运行数据为样本对该方法进行验证,发现预测值与真实值的误差在±1℃之内,表明该预测方法具有良好的预测精度.