极限学习机

为及时掌握输电线路绝缘子污秽情况，提出了一种基于气象的绝缘子盐密预测方法。挖掘了与积污相关性更强的气象特征，通过随机森林评估了气象特征的重要程度，结合序列前向搜索确立了最佳气象特征子集。基于台州市自然积污测试数据，使用极限学习机（extreme learning machine，ELM）建立盐密预测基础模型，并使用思维进化算法（mind evolution algorithm，MEA）对其初始权值与阈值进行优化，通过自适应提升（adaptive boosting，AdaBoost）算法集成进一步提高模型精度。结果表明：AdaBoost-MEA-ELM模型盐密预测平均绝对误差为0.0032 mg/cm2，相比原始ELM模型误差降低58.97%，优化效果显著；与其他模型对比验证了AdaBoost-MEA-ELM模型的性能以及3种算法结合的合理性；通过k折交叉验证获得了训练数据改变时模型误差的变化情况，进一步验证了模型的泛化性与稳定性。

油浸式电力变压器作为电网的重要组成部分，其可靠运行至关重要。针对变压器长期运行后无法定量评估其绝缘状态的问题，文中开展了油纸绝缘模型的加速老化及受潮试验，探究了油纸绝缘老化及受潮程度对其回复电压曲线的影响规律，并提出采用粒子群优化-极限学习机(particle swarm optimization-extreme learning machine，PSO-ELM)算法的参数预测方法，实现了基于回复电压曲线特征参量的油纸绝缘老化与受潮状态量化评估。由油纸绝缘模型理化性能分析的对比结果可知，基于PSO-ELM方法的预测值精度远高于传统ELM方法，油纸绝缘内含水率及纸板聚合度预测的绝对误差范围分别小于±0.4%、±30。

针对目前电力系统谐波发射水平难以直接测量的问题，提出了一种基于改进秃鹰算法(improved bald eagle search, IBES)优化极限学习机(extreme learning machine, ELM)的谐波发射水平估计方法。首先，在传统秃鹰搜索算法中引入Tent混沌映射和柯西变异算子，利用IBES算法对ELM模型的输入权重和阈值进行寻优。其次，输入公共连接点(point of common coupling, PCC)处谐波电压和谐波电流，代入IBES-ELM模型，估计用户侧和系统侧谐波发射水平。最后进行仿真和工程实例分析，并与其他算法的估计结果进行对比。结果表明，所提IBES-ELM方法估计精度优于长短期记忆网络(long short-term memory, LSTM)、卷积神经网络(convolution neural network, CNN)、反向传播神经网络(back propagation neural network, BP)和CNN-LSTM算法模型，验证了该方法的有效性和稳定性。

针对目前变压器故障诊断准确率低的问题，提出一种多策略集成模型。首先通过等度量映射(isometric mapping, Isomap)对高维非线性不可分的变压器故障数据进行降维处理。其次，利用混合核极限学习机(hybrid kernel based extreme learning machine, HKELM)进行训练学习，考虑到HKELM模型易受参数影响，所以利用北方苍鹰优化算法(northern goshawk optimization, NGO)对其参数进行寻优。但由于NGO收敛速度较慢，易陷入局部最优，引入切比雪夫混沌映射、择优学习、自适应t分布联合策略对其进行改进。同时为了提高模型整体的准确率，通过结合Adaboost集成算法，构建Adaboost-INGO-HKELM变压器故障辨识模型。最后，将提出的Adaboost- INGO-HKELM模型与未进行降维处理的INGO-HKELM模型、Isomap-INGO-KELM模型、Adaboost-Isomap- GWO-SVM等7种模型的测试准确率进行对比。提出的Adaboost-INGO-HKELM模型的准确率可达96%，均高于其他模型，验证了该模型对变压器故障辨识具有很好的效果。

针对传统极限学习机易陷入局部最优解的缺点以及环境变化导致光伏出力波动的特点，构建了一种基于自适应噪声完全集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN）算法，结合黑猩猩优化算法优化极限学习机神经网络的光伏出力短期预测模型。首先利用CEEMDAN算法将影响光伏输出功率的关键环境因素序列进行分解，得到数据信号在不同时间尺度的局部特征，降低环境因素序列的非平稳性，然后将各分解子序列和光伏历史数据序列作为黑猩猩算法优化的极限学习机预测模型输入进行预测。最后，选用DKASC Solar Centre光伏电站数据集对不同预测模型进行验证对比。实例仿真结果表明，构建的改进光伏出力预测组合模型的各项指标预测效果更好，且适用不同环境的光伏发电预测。

单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差，针对此问题，提出一种基于深度学习算法的组合预测模型｡首先，采用变分模态分解对原始负荷序列进行分解，得到一系列的子序列。其次，分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后，利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合，得到每个子序列的预测结果。最后，将各个子序列的预测结果进行求和，得到最终的负荷预测结果。以某地真实负荷数据进行预测实验，结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳，预测精度达到98%以上。

针对已有检测方法无法对虚假数据注入攻击(false data injection attack, FDIA)进行精确定位的问题，提出了一种基于混合黑猩猩优化极限学习机(extreme learning machine, ELM)的电力信息物理系统FDIA的定位检测方法。首先，使用ELM作为分类器，用于提取电力数据特征并检测系统各节点的异常状态。然后，采用一种具有全局搜索能力且局部收敛速度更快的混合黑猩猩优化策略，用于寻找ELM最优隐藏层神经元数量。建立基于混合黑猩猩优化ELM的检测方法，实现对FDIA的精准定位，有利于后续防御措施的实施。最后，在IEEE 14和IEEE 57节点系统中进行大量仿真对比实验。结果表明，所提方法具有更佳的准确率、查准率、查全率和F1值，对FDIA能够进行更为精准的定位检测。

为提高风电功率预测精度，提出一种基于变分模态分解(variational mode decomposition, VMD)和改进多元宇宙算法(improved multiverse optimization, IMVO)优化极限学习机(extreme learning machine, ELM)的组合预测方法。首先借助VMD算法将原始风电数据分解为模态分量，并根据互信息熵划分为高、低频分量以简化数据。然后在传统多元宇宙算法基础上通过引入Tent混沌映射、指数型旅行距离率以及精英反向学习机制进行改进，并与ELM相结合得到IMVO-ELM预测模型。最后将高频、低频分量预测结果叠加，得到最终预测结果。仿真结果表明，IMVO-ELM模型预测精度、收敛速度对比ELM、MVO-ELM、PSO-ELM方法具有一定的优越性。且在借助VMD算法的数据预处理下，预测精度得到进一步提高，验证了所提组合预测方法的有效性。