基于LMD与GA-BP神经网络组合的短期风速滚动预测方法

针对组合预测方法中经验模态分解(EMD)部分存在处理非线性和非稳态信号的不足,提出以一种基于局部均值分解(LMD)与遗传算法-BP神经网络(GA-BP)模型相结合的短时风速预测方法。首先该方法在自适应分解部分采用LMD方法对原始风速数据进行分解得到一系列乘积函数,并对乘积函数分量提取瞬时频率和瞬时幅值的特征参数,然后通过设定的频率阈值将全部的乘积函数筛选重构成高、中、低3种频段分量;其次机器学习部分采用遗传算法优化BP神经网络方式进行建模,确定模型的连接权值和阈值参数;最后将3种不同频段分量输入到确定的GA-BP神经网络模型中进行滚动预测。通过仿真实验和对实测风速预测验证了所提方法的可行性和有效性,为短时预测方法提高了一种新思路。     

混合神经网络算法在GIS局部放电模式识别中的应用研究

为了提高基于超声法GIS局部放电模式识别的正确率,在实验室中对GIS典型缺陷局部放电的超声波进行了重复性测量,从43个能够表征缺陷特征的参数中提取了34个稳定的特征参数,然后采用后向序贯算法筛选出了24个有效特征参数作为神经网络输入参数。针对神经网络的局限性,提出了改进的GA-BP混合神经网络算法。训练结果表明,GA-BP神经网络的应用有效地提高了识别的准确率。     

采用燃烧系统模型预测锅炉效率和NO_x排放浓度

以某电厂燃煤锅炉燃烧调整试验数据为基础,运用BP神经网络建立锅炉效率与NOx排放浓度的双目标锅炉燃烧系统模型,并用遗传算法优化BP神经网络的权值和阈值产生优化型GA-BP神经网络模型。通过对2种模型预测误差的比较表明,GA-BP神经网络模型的锅炉效率平均预测误差由6%降至3.4%,NOx排放浓度平均预测误差由0.1%降至0.04%,泛化能力相对于BP神经网络模型大大增强,可适用于建立锅炉燃烧优化系统。     

基于 GRU 神经网络的脉搏波波形预测方法研究

随着生活水平的提高,人们对健康的关注度越来越高,尤其是适应快节奏生活的手环等便携式生理监测设备,备受人们青睐。光电容积脉搏波描记法(PPG)作为一种无创人体脉搏采集手段,被广泛应用于此类设备中。人体脉搏中包含很多生理信息,如血压、血糖、动脉硬化等,为了对这些信息进行提取和分析,目前主要采用机器学习的方法,通过提取脉搏波中的特征点计算特征参数进而建立生理参数模型。但此类方法需要大量且长期的脉搏数据,用于提高生理参数模型的精度,而长期的数据采集受环境限制较大且与便携式生理监测设备设计理念冲突,并且对脉搏波预测的研究存在空白。针对此问题,本文使用Colaboratory建立GRU神经网络模型与LSTM网络模型分别对脉搏波数据进行预测,并对影响模型性能的主要参数进行对比调参。而由自动化机器学习工具AutoML＿Alex针对脉搏波数据分析并择优建立的LightGBM网络可以作为具有参考价值的基线模型。通过以上3个模型针对从不同个体采集到的大量脉搏波数据进行建模,对比其平均绝对百分比误差MAPE,LSTM为0.879%,单层GRU为0.852%,LightGBM为0.842%,4层GRU模型为0....     

基于改进型神经网络的电能质量扰动识别

为了改善神经网络的电能质量扰动识别能力,提出了一种改进型神经网络。在分析了传统BP神经网络和遗传算法优化BP神经网络(GA-BP)的基础上,将遗传算法和贝叶斯正则化神经网络相结合,并采用小波包能量熵作为特征向量。改进后的神经网络能有效克服传统BP神经网络易陷入局部最小,GA-BP易出现过拟合现象且网络节点数偏多等缺点。在MATLAB平台上建立各种电能质量扰动信号的仿真模型,分别采用传统BP神经网络、GA-BP及改进型神经网络进行扰动识别对比。仿真结果表明,改进后的神经网络显著提高了识别正确率。     

采用燃烧系统模型预测锅炉效率和NOx排放浓度

以某电厂燃煤锅炉燃烧调整试验数据为基础,运用BP神经网络建立锅炉效率与NOx排放浓度的双目标锅炉燃烧系统模型,并用遗传算法优化BP神经网络的权值和阈值产生优化型GA-BP神经网络模型.通过对2种模型预测误差的比较表明,GA-BP神经网络模型的锅炉效率平均预测误差由6％降至3.4％,NOx排放浓度平均预测误差由0.1％降至0.04％,泛化能力相对于BP神经网络模型大大增强,可适用于建立锅炉燃烧优化系统.     

基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。     

GA-BP神经网络在光伏阵列故障检测中的应用研究

BP神经网络在进行光伏阵列故障检测时,故障诊断性能易受局部极值影响,且收敛速度过慢.针对这一问题,利用遗传算法(GA)的全局搜索能力,找到BP神经网络初始权值阈值的最优解,可以有效克服BP神经网络上述缺陷,并高效完成对光伏阵列的故障诊断.对比光伏阵列正常状态与不同故障状态下的输出特性,选定电压电流作为输入,故障状态为输出,建立GA-BP故障诊断模型,将经过遗传算法优化后的BP神经网络与经典的BP神经网络相比较,通过仿真验证,GA-BP神经网络不仅可以更快速地进行故障诊断,还提高了故障诊断的准确率.     

基于优化概率神经网络的驾驶员疲劳检测

针对驾驶员面部疲劳检测问题，提出了一种基于遗传算法优化概率神经网络(PNN)的驾驶员疲劳检测算法。采用基于HOG特征的人脸检测器检测脸部，使用ERT算法进行关键点定位，计算PERCLOS值、眨眼频率、单位时间内打哈欠的时间占比、点头频率4个疲劳特征参数，将其输入到PNN中进行疲劳判别，并使用遗传算法优化PNN的平滑因子，提高疲劳分类准确率。使用NHTU-DDD数据集和YawDD数据集训练网络，使用自采集样本验证模型泛化性能，实验中与SVM、BP神经网络以及未优化的PNN模型对比，SVM、BP神经网络以及未优化的PNN的准确率分别为95.67%，97.67%，95.33%，所提的优化的PNN模型准确率为98.67%，验证了算法的有效性。     

基于GA-BP神经网络的锂离子电池SOC估计

电池荷电状态(state of charge,SOC)的估计是电动汽车电池管理系统(battery management system,BMS)的最为重要的关键技术之一。为此,提出了一种基于改进型遗传算法(genetic algorithms,GA)的BP神经网络的锂离子电池SOC估计。利用MATLAB人工神经网络工具箱和谢菲尔德(Sheffield)遗传算法工具箱共同建立GA-BP神经网络模型,用于预测锂离子电池在任一状态下的SOC。经仿真实验表明,与经典的BP神经网络预测方法相比,基于改进型GA-BP神经网络的锂离子电池荷电状态估计精度有效提高了,且具备良好的收敛性。     

基于遗传神经网络的太阳能集热器仿真研究

提出神经网络和数学模型相结合的方法建立太阳能集热器神经网络模型,并采用遗传算法对太阳能集热器神经网络模型进行优化,用以提高仿真模型的预测精度。在热管式真空管太阳能集热器实验数据的基础上,构建反向传输神经网络模型和遗传算法-反向传播神经网络模型,应用数学模型、反向传输神经网络模型和遗传算法-反向传播神经网络模型进行仿真计算,结果表明遗传算法-反向传播神经网络模型的计算精度高于数学模型和反向传输神经网络模型。同时该建模方法应用于太阳能集热器仿真,既提高了仿真模型的计算精度,又提高了仿真模型的通用性。     

特征 K 值时域递归滤波估计的PPG 信号伪差校正算法

光电容积脉搏波(PPG)信号采集系统极易受到伪差干扰,为了提升 PPG 信号的高信噪比,提高生理参数计算准确度, 提出了特征 K 值自适应递归滤波估计的 PPG 信号伪差校正算法。 将采集的 PPG 信号去除环境干扰和工频干扰之后,计算未 受伪差干扰的信号主波峰峰值和重搏波峰值,从而得到每一个信号周期的特征 K 值。 采用自适应递归滤波算法对被干扰信号 的 K 值进行估计,利用估计得到的结果作为被干扰信号 K 值的真值。 最后,根据估计的 K 值,用高斯函数法合成新的不受干扰 的信号,替代原信号中被伪差干扰的部分。 采用自行研制的系统进行数据采集,证明了算法的有效性和可靠性;通过血氧饱和 度实验,证明了算法在可穿戴系统中的实用性。     

基于GA优化BP神经网络的小电流接地故障选线方法

将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验，通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法，将零序电流信号的各种特征量进行提取，经过故障测度函数计算得到故障测度数据，将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试，讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异，输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明，综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法，且其选线速度与精度优于单一BP神经网络，能够更快速、有效地进行故障选线，满足配电网故障选线要求。     

基于WOA-BP神经网络的磨煤机出粉量估算

为了解决火电厂磨煤机出粉量难以估算的问题,运用软测量方法,结合磨煤机工作时的系统参数和磨煤机出粉量建立BP神经网络模型,建立各参数与出粉量的非线性映射关系,对磨煤机出粉量进行估算。为了减小该模型的误差,采用鲸鱼算法（WOA）优化BP神经网络的权重和阈值,建立了WOA-BP算法模型。为了验证WOA-BP算法模型的可靠性,将鲸鱼算法（WOA）、粒子群算法（PSO）、遗传算法（GA）和BP神经网络分别建立磨煤机出粉量的WOA-BP、PSO-BP、GA-BP、BP神经网络算法模型。计算结果表明在4种算法模型中,WOA-BP算法估算模型对磨煤机出粉量有最好的预测能力,平均绝对误差仅0.94。     

基于改进EEMD与GA-BP的谐振接地故障选线方法

针对谐振接地系统发生接地故障,存在暂态信号特征辨识度低,且单一特征作为选线判据易受故障条件影响等问题,提出一种基于改进EEMD与GA-BP神经网络的故障选线方法。首先使用边界局部特征尺度延拓法加集合经验模态分解和多尺度排列熵算法的混合算法（MEEMD）分解暂态电流信号,各项分解指标说明MEEMD能准确区分高频特征分量和基频分量并有效改进端点效应和抑制模态混淆。然后提取重构的高频分量能量、方向以及裕度因子等特征并将其用来训练、测试GA-BP神经网络。结果表明所提出的选线方法有较高的准确率且不受线路类型、接地电阻影响,有较强的鲁棒性和容错性。     

基于改进神经网络算法的数控钻攻中心进给轴热误差预测

为降低数控机床热误差对数控钻攻中心的影响,提高工件的加工精度,解决不同工况下热误差预测精度不佳的问题。 在进给速度为 10 m/ min、环境温度 20°的工作条件下进行数控机床进给系统热误差测量实验,采用鹈鹕优化算法对神经网络进 行优化,确定 BP 神经网络的最优权值和阈值,建立进给系统热误差的 POA-BP 预测模型,并与传统 BP 神经网络和 GA-BP 神经 网络以及 SCN 随机配置网络进行实验对比分析。 结果表明,传统 BP 神经网络预测平均相对误差为 12. 23%,GA-BP 神经网络 平均相对误差为 11. 5%,SCN 预测模型预测平均相对误差为 12. 71%,POA-BP 预测模型预测平均相对误差为 9. 93%,精度有所 提升。 结论:提出的鹈鹕优化算法改进的神经网络在热误差预测中具有较强的有效性和精确性,可以提高进给运动精度,为热 误差补偿的实现提供理论指导。     

遗传算法和神经网络在交通事故预测中的应用

介绍了BP(误差反向传播算法)和GA(遗传算法)以及GA-BP三种神经网络,并以此分别对道路交通事故进行预测。实验结果表明,基于GA-BP算法的神经网络方法应用于交通事故的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为交通部门的未来事故预测提供了一种新的思路与方法。     

基于改进机器学习的输电线路弧垂温度估计方法

针对采空区地质塌陷造成的杆塔倾斜、构件断裂等问题,以及现有输电线路弧垂和温度估计方法抗干扰性较低且准确度不高,为此,提出了一种基于LoRa通信与神经网络的输电线路弧垂温度非接触式监测,以保障输电线路的安全运行。首先,利用安装在线路上的智能摄影机和传感器获得线路的弧垂与温度数据。然后,提出了基于LoRa的远程无线通信系统传输监测数据,并发送至数据采集与监视控制系统进行分析以估计线路状态。最后,基于遗传-支持向量机算法估计输电线路的弧垂,以及采用GA-Elman神经网络算法估计输电线路的温度,提高了线路状态估计的准确率。采用搭建的实验平台对所提方法进行论证,结果表明所提方法能够快速获取复杂环境下的监测数据,并且弧垂温度估计准确率优于其他对比方法。     

三种主流风电场功率预测算法适应性对比研究

风电的间歇性和波动性给风电功率预测带来了较大难度,而地形和气象上的复杂性使单一功率预测算法很难适应不同的风电场。以3种主流风电功率预测算法为研究对象进行比较研究,分别是遗传算法优化的BP神经网络(GA-BP)、径向基函数神经网络(RBF)和支持向量机(SVM),帮助研究人员针对不同风电场的地形和气候特征选择最适合的预测模型,从而提高短期功率预测精度。以中国地形和气候特征不同的3个风电场为例,从预测精度、计算效率、模型适应性3个角度对比分析3种模型在不同气候、不同地形条件下的适应性。结果表明,RBF和SVM预测效果整体优于GA-BP模型,但在不同季节、不同地形条件下3种模型各具优势,以月份为单位建立功率预测模型,可以提高短期功率预测精度。