-
公开(公告)号：CN113344243B
公开(公告)日：2023-09-22
申请号：CN202110472821.5
申请日：2021-04-29
Applicant: 淮阴工学院
Abstract: 本发明公开了一种基于改进哈里斯鹰算法优化ELM的风速预测方法及系统，所述方法包括：(1)获取气象站点的历史风速数据和其他气象数据，对数据进行预处理及应用特定的正交矩阵处理；(2)采用拉丁超立方抽样对哈里斯鹰算法的初始种群进行初始化；对哈里斯鹰算法的局部搜索采用混沌搜索进行处理；(3)确定最优ELM参数并建立基于改进哈里斯鹰算法优化极限学习机的模型作为预测模型；(4)利用平均绝对误差、均方根误差等对测试样本和实际样本进行对比和评价。本发明测试了多组风速预测案例与对照组，本发明有更优异的预测精度，能够进一步提升风电并网和电力系统运行的可靠性和稳定性。
-
公开(公告)号：CN113435628B
公开(公告)日：2023-08-22
申请号：CN202110588318.6
申请日：2021-05-28
Applicant: 淮阴工学院
Abstract: 本发明公开了一种基于线性判别分析和IALO‑ELM的中长期径流预报方法及系统，所述方法包括：(1)获取某水文站的径流数据并对数据进行归一化处理，运用线性判别分析法对径流数据进行预报因子选择；(2)运用拉丁超立方对蚁狮种群初始化；(3)建立基于改进蚁狮算法(IALO)的优化极限学习机模型；(4)将蚁狮原始种群分为p等分，运用多种群方法进行交互和预选机制两两对比分析出全局最优路径；(5)将Fuch映射引入蚁狮算法中，对局部最优解的邻域进行混沌遍历搜索。本发明利用改进蚁狮算法与极限学习机相结合，大大提高了径流预测准确性和预测精度的可靠性。
-
公开(公告)号：CN113449462B
公开(公告)日：2023-06-20
申请号：CN202110641771.9
申请日：2021-06-09
Applicant: 淮阴工学院
IPC: G01W1/10 , G06N3/006 , G06N3/0442 , G06N3/08 , G06Q50/06
Abstract: 本发明公开了一种基于MALO‑BiGRU的超短期风速预测方法及系统，所述方法包括：(1)获取风速数据并对数据进行归一化处理，运用互信息法对风速数据进行特征选择；(2)运用均匀采样对蚁狮种群初始化；(3)采用改进后的模拟退火思想融合蚁狮算法改进双向循环单元；(4)将非线性参数控制引入蚁狮算法中，对蚂蚁位置进行更新，最终得到精英蚁狮位置；(5)使用改进过后的蚁狮算法优化双向门控循环单元的隐含层节点个数，学习率和批处理大小三个参数；(6)建立基于改进蚁狮算法(MALO)的双向门控循环单元(BiGRU)模型。本发明能够被应用于超短期风速预测的建模过程中，具有优化精度高的优点，最终确保了风速预测的准确性。
-
公开(公告)号：CN114282646A
公开(公告)日：2022-04-05
申请号：CN202111432905.2
申请日：2021-11-29
Applicant: 淮阴工学院
Abstract: 本发明公开了一种基于两阶段特征提取和改进BiLSTM的光功率预测方法及系统，所述方法包括：S1，使用偏自相关函数对光功率数据进行浅层特征提取后进行归一化处理；S2，构建CNN网络，将处理后的数据送入CNN进行深层特征提取；S3，构建BiLSTM模型；S4，引入Lorenz映射对鲸鱼算法的初始种群进行改进，采用改进鲸鱼优化算法对BiLSTM的参数进行优化；S5，将经CNN深度特征提取后的数据送入到改进BiLSTM进行预测。本发明通过浅层特征提取和深度特征提取的两阶段特征提取，可以进一步挖掘出特征之间的相互关联性并滤除掉光功率数据的噪声和不稳定的成分，将其处理得到的数据送入到改进的BiLSTM模型中进行光功率预测，可以有效提高预测精度。
-
公开(公告)号：CN114282614A
公开(公告)日：2022-04-05
申请号：CN202111610782.7
申请日：2021-12-27
Applicant: 淮阴工学院
Abstract: 本发明公开了一种基于随机森林和IFDA优化CNN‑GRU的中长期径流预测方法，包括以下步骤：(1)预先获取旬径流历史数据以及历史旬降雨数据，对数据进行预处理，并分为训练集和测试集；(2)构建CNN‑GRU混合预测模型，并确认卷积神经网络门控循环单元的结构；(3)使用改进后的流向算法IFDA优化CNN‑GRU混合预测模型：先采用混沌算法对流向算法进行初始化，然后使用改进好的流向算法优化CNN‑GRU模型的学习率以及隐含层节点个数，最后建立基于改进的流向算法IFDA优化CNN‑GRU的混合模型IFDA‑CNN‑GRU；(4)使用训练集对建立好的IFDA‑CNN‑GRU模型进行训练，将测试集送入训练好的模型中运行，得到预测结果。本发明能够有效地进行中长期径流预测，并且比其他模型具有更好的准确性。
-
Patent Agency Ranking
公开(公告)号：CN114282440A
公开(公告)日：2022-04-05
申请号：CN202111610924.X
申请日：2021-12-27
Applicant: 淮阴工学院
IPC: G06F30/27 , G06F30/25 , G06N3/08 , G06F111/04 , G06F111/06 , G06F119/14 , G06F119/08
Abstract: 本发明公开了一种抽水蓄能机组调节系统鲁棒辨识方法，包括以下步骤：(1)获取抽水蓄能机组调节系统运行数据，将原始数据规范至[0,1]区间并划分为训练集和测试集，确定离群鲁棒极限学习机的输入变量；(2)建立离群鲁棒极限学习机模型，并用训练集对其进行训练；(3)采用拉丁超立方和模拟退火算法改进原子搜索算法，并采用改进原子搜索算法优化ORELM模型的权重和偏置；(4)利用训练好的ORELM模型和测试集得到预测值，反归一化后即可得到最终输出。本发明能够被应用于抽水蓄能机组调节系统建模过程中，所提鲁棒辨识方法显著提高了含噪声和离群点场景下模型辨识的精度，最终确保了抽水蓄能机组调节系统辨识的准确性。
-
公开(公告)号：CN113361777B
公开(公告)日：2023-11-03
申请号：CN202110636484.9
申请日：2021-06-08
Applicant: 淮阴工学院
IPC: G06Q10/04 , G06N3/0442 , G06N3/08 , G06N3/006
Abstract: 本发明公开了一种基于VMD分解和IHHO优化LSTM的径流预测方法及系统，首先，选取水文站点的历史径流数据作为实验数据并对数据进行预处理和归一化；然后将处理好的数据用变分模态分解分解为多个拥有不同频率的子模态；再对哈里斯鹰算法使用混沌初始化和爬山算法进行优化，并使用优化后的哈里斯鹰算法对长短期记忆网络的隐含层节点个数和学习率两个参数寻优；接着将所得最优参数赋给LSTM并对每个子模态进行训练，建立IHHO‑LSTM子模型；最后，对各个子模态分别进行测试得到预测值，将所得子模态的预测值聚合和反归一化得到VMD‑IHHO‑LSTM的最终预测值并进行误差分析，利用误差指标进行性能评价。本发明可以提高径流预报的精度，获得比较准确的预测结果。
-
公开(公告)号：CN114282431A
公开(公告)日：2022-04-05
申请号：CN202111500028.8
申请日：2021-12-09
Applicant: 淮阴工学院
IPC: G06F30/27 , G06N20/20 , G06K9/62 , G06N7/08 , G06F111/10
Abstract: 本发明公开了一种基于改进SCA和QRGRU的径流区间预测方法及系统，包括：(1)对预先获取的原始数据进行预处理，并将处理后的各项数据按时间转换成为矩阵型序列；(2)利用PSR方法与RF模型对时间训练进行特征选择，挑选出RF中重要性高的时间序列与PSR重构出的多维序列组成数据集；(3)采用混沌Tent映射和非线性因子对SCA算法进行改进，并利用改进后的SCA算法对GRU模型的隐藏层单元数目与学习率进行寻优；(4)构建QRGRU模型，初始化模型的参数；(5)建立QRGRU的径流区间预测模型，对径流时间序列进行预测，输出误差与区间预测的结果。本发明用QRGRU模型的对径流进行区间预测，预测结果能够描述确定性预测难以反映的不确定性问题，且其结果具有更高的可信度。
-
公开(公告)号：CN113344243A
公开(公告)日：2021-09-03
申请号：CN202110472821.5
申请日：2021-04-29
Applicant: 淮阴工学院
Abstract: 本发明公开了一种基于改进哈里斯鹰算法优化ELM的风速预测方法及系统，所述方法包括：(1)获取气象站点的历史风速数据和其他气象数据，对数据进行预处理及应用特定的正交矩阵处理；(2)采用拉丁超立方抽样对哈里斯鹰算法的初始种群进行初始化；对哈里斯鹰算法的局部搜索采用混沌搜索进行处理；(3)确定最优ELM参数并建立基于改进哈里斯鹰算法优化极限学习机的模型作为预测模型；(4)利用平均绝对误差、均方根误差等对测试样本和实际样本进行对比和评价。本发明测试了多组风速预测案例与对照组，本发明有更优异的预测精度，能够进一步提升风电并网和电力系统运行的可靠性和稳定性。
-
公开(公告)号：CN115952685A
公开(公告)日：2023-04-11
申请号：CN202310053332.5
申请日：2023-02-02
Applicant: 淮阴工学院
IPC: G06F30/20 , G06N3/08 , G06N3/0442
Abstract: 本发明公开了一种基于集成深度学习的污水处理过程软测量建模方法。首先获取污水数据作为辅助变量；再对采集到的几个变量使用KPCA特征选择之后作为模型的输入；建立污水软测量集成模型，该集成模型有两层，第一层包括BiLSTM、LSSVM和XGBoost三个基学习器，采用5折交叉验证方法进行训练，第二层采用ELM作为元学习器；最后采用极限学习机对初始预测结果进行误差校正。为了提高模型的性能，提出了RSA算法对模型参数进行优化；并根据RSA算法在收敛精度以及易陷入局部最优等方面问题，使用拉丁超立方、非线性因子、黄金正弦和翻筋斗策略对其进行改进。与传统的软测量方法相比，本发明能够集合各模型的优势，整体模型泛化能力更强，预测精度更高。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.027 seconds)
