(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111492645.8 (22)申请日 2021.12.08 (71)申请人 山东省计算中心 （国家超 级计算济 南中心） 地址 250000 山东省济南市经十路东首 科 学院路19号 (72)发明人 尹旭　张镇　杨扬　朱本行　 肖国凯　李帆　 (74)专利代理 机构 山东恒果知识产权代理有限 公司 37347 代理人 张绍磊 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/00(2019.01) (54)发明名称 一种基于多目标优化的极限学习机能源消 耗预测方法 (57)摘要 本发明提出的一种基于多目标优化的极限 学习机能源消耗预测方法， 包括如下步骤： S1、 数 据采集； S2、 数据预处理； S3、 选取训练数据集和 测试数据集； S4、 设置模型初始参数； S5、 训练基 于目标优化的极限学习机算法， 包括ELM网络参 数优化和ELM网络结构学习， 利用训练样本， 对基 于多目标优化的极限学习机算法进行模型训练； S6、 预测能耗数据； S7、 结果分析。 本发明利用 MOEA/D多目标优化算法同时优 化ELM的网络参数 和连接结构， 找到ELM的最佳网络参数和稀疏连 接结构， 以去除完全连接ELM网络结构中的冗余 连接。 权利要求书1页 说明书9页 附图2页 CN 114154422 A 2022.03.08 CN 114154422 A 1.一种基于多目标优化的极限学习机能源消耗预测方法， 其特 征在于： 包括如下步骤： S1、 数据采集， 选取与预测能耗数据关系密切的状态量作为预测模型的输入量， 输入量 不是固定不变的； S2、 数据预处理， 对训练样本及测试样本数据进行前期处理， 为了消除量纲不同造成的 预测误差， 都会 对数据进行归一 化处理； S3、 选取训练数据集和 测试数据集； S4、 设置模型初始参数； S5、 训练基于目标优化的极限学习机算法， 包括ELM 网络参数优化和ELM 网络结构学习， 利用训练样本， 对基于多目标优化的极限学习机算法进行模型训练； S6、 预测能耗数据， 利用测试 数据集的样本对 模型进行测试； S7、 结果分析， 对S6中预测结果进行评价分析。 2.根据权利要求1所述的一种基于多目标优化的极限学习机能源消耗预测方法， 其特 征在于； 极限学习机的网络结构包括输入层， 隐含层和输出层， 输入层与隐含层之间的连接 通过输入权 重ω建立， 隐含层与输出层之间的连接由输出权 重β 建立。 3.根据权利要求1所述的一种基于多目标优化的极限学习机能源消耗预测方法， 其特 征在于： 所述极限学习机算法包括如下步骤： S1、 输入： 训练数据集 激活函数g()， 隐层神经 元数目L； S2、 输出： 输出权 重β； S3、 随机生成取值范围是[ ‑1,1]的输入权 重ω和隐层偏置b； S4、 通过公式计算隐含层输出矩阵； S5、 通过MP广义逆计算输出权 重 4.一种多目标优化的稀疏极限学习机算法， 包括ELM网络参数优化和结构学习， 包括 ELM稀疏连接结构、 多目标优化过程以及多目标决策 过程； 其特 征在于： 包括如下步骤： S1、 定义ELM的稀疏 连接结构和网络参数， 包括输入权 重， 偏置和连接条件； S2、 利用以上参数向量模拟多目标进化 算法中的个 体， 建立多目标优化模型； S3、 通过改进的MOEA/D多目标进化算法优化提出的多目标模型， 计算最优 的网络参数 和稀疏连接结构； S4、 将集成学习嵌入到稀疏ELM极限学习机的多目标模型决策中。权　利　要　求　书 1/1 页 2 CN 114154422 A 2一种基于多目标优化的极限学习机能源 消耗预测方 法 技术领域 [0001]本发明涉及能源消耗预测技术领域， 具体是一种基于多目标优化的极限学习机能 源消耗预测方法。 背景技术 [0002]极限学习机(Extreme  Learning  Machine， ELM)是一种单隐层前馈神经网络， 参照 图1， 由于其网络模型输入的参数是被随机分配的， ELM只需要一次迭代求解就能训练出模 型， 因此它可以得到比反向传播神经网络(Back  Propagation， BP)更快的学习速度， 并且具 备更优良的泛化能力， 不 易产生局部最优解。 [0003]ELM的目标是将一个原始的输入空间映射到一个输出空间， 进而处理分类或回归 问题。 多层感知机(MLP)和径向基函数神经网络(RBFNN)是其中最常用的两种神经模型。 极 限学习机提出随机初始化网络参数， 输出权重是用基于Moore ‑Penrose广义逆的最小均方 法计算得出 的， 因此计算成本要比使用其他经典算法要低得多。 它在不同领域中的应用变 得越来越广泛， 研究者们也先后提出了一些算法来解决极限学习机在不同领域的应用问 题。 此外， 由于现实中的数据呈指数增 长， ELM也为如何在合理的时间内从海量数据中获取 模型提供了一种有效的方法。 [0004]尽管ELM由于其较快的训练速度和良好的泛化性能， 在很多现实分类和回归问题 中广泛应用。 但是， ELM权重随机化的特点， 常常会降低模型的泛化性能。 作为一种经验风险 最小化模型， ELM模型在训练过程中会因为少部分异常数据趋 于过拟合。 [0005]申请公布号为CN112485394A， 申请人为浙江大学的专利一种基于稀疏自编码和极 限学习机的水质软测 量方法， 该方法在污水处理的应用中， 将稀疏自编码方法与极限学习 机方法相结合， 兼顾极限学习机的学习速度极快、 模型估计精度高 以及稀疏自编码针对非 线性数据降维提取特征值等特点， 能够实现快速有效的估计污水处理中关键水质的浓度， 在保证性能的前提下， 结合多次再采样求平均值的方法有效降低了计算复杂度。 将该方法 应用在污水处理氨氮离子浓度的软测量上， 可以实现快速准确估计氨氮离子的浓度， 从而 实现了针对污水处理中关键组分的软测量效果， 降低因为传感器成本对污水处理工艺的约 束与限制， 进一 步为污水处 理工艺的提升以及出 水水质的改善提供支持。 [0006]申请公布号为CN112 748372A， 申请人为湘 潭大学的专利一种人工 蜂群优化极限学 习机的变压器故障诊断方法， 它包括以下的步骤： 收集变压器在六种状态下运行的数据， 对 收集获取 的数据进行预处理； 选取五种气体的含量作为极限学习机的输入向量， 并将数据 分为训练样本集和测试样本集， 使用训练样本集对极限学习机进行训练； 在训练的过程中 采用人工蜂群算法优化极限学习机的输入层权重和隐含层偏置， 获取最优的极限学习机诊 断模型； 在训练好的极限学习机中输入测试样本集， 得出变压器的故障类型诊断分类的结 果。 结合了人工蜂群算法良好的收敛性和较强的全局搜索能力， 用来优化极限学习机的输 入层权重与隐含层偏置， 对变压器的故障类型进行诊断分类。 [0007]上述方法创新性好， 训练速度快， 但模型的泛化性能没有较大提升， 模型的鲁棒性说　明　书 1/9 页 3 CN 114154422 A 3