TBM掘进速率区间预测Bootstrap-IHHO-BiLSTM模型

针对现有隧道掘进机（TBM）掘进速率预测模型多采用点预测模型，缺乏考虑因模型结构主观选择、模型参数随机设置和数据随机噪声等导致的不确定性问题，本文提出基于Bootstrap方法和改进哈里斯鹰优化双向长短时记忆网络（BiLSTM）的TBM掘进速率区间预测模型。首先，建立基于改进哈里斯鹰（IHHO）优化BiLSTM网络的TBM掘进速率点预测模型，揭示稳定段掘进速率与上升段刀盘推力、扭矩、转速等掘进参数之间的相关性和时间依赖性；其中，采用基于混沌映射、参数非线性化和混沌搜索策略改进的哈里斯鹰算法对BiLSTM网络超参数进行优化，提高建模效率和精度。进一步地，采用Bootstrap方法对模型不确定性和数据中的随机不确定性进行量化，获得清晰可靠的预测区间。将所提模型应用于引汉济渭秦岭隧洞工程中，开展I～III类围岩条件下的TBM掘进速率区间预测，并将结果与BiLSTM-HHO模型、BiLSTM模型、BP神经网络模型对比，证明了本文模型的优越性。     

基于改进 HHO 算法的螺纹钢丝头中径测量方法

针对现阶段基于图像处理进行螺纹中径测量时算法收敛速度慢、精度低的问题,提出一种基于改进哈里斯鹰优化算法的螺纹钢丝头中径测量方法.首先,采用三次样条插值法进行亚像素级的边缘检测,精确提取出螺纹波峰波谷等参数后再构建出中径适应度函数,最后,将螺旋式更新机制和非线性能量递减策略引入哈里斯鹰优化算法(HHO)来求解中径适应度函数.实验结果表明,改进的哈里斯鹰优化算法稳定性更好、精度更高,其中径测量的标准差比传统HHO算法降低了59.33％,中径测量结果的绝对均值误差比三针测量法降低了5.08％,比HHO算法降低37.78％.     

基于改进金豺算法的短期负荷预测

针对电力负荷序列波动性和预测精度不高的问题,提出一种基于变分模态分解、排列熵和改进金豺算法优化双向长短期记忆网络的预测模型。首先,利用变分模态分解重构原始负荷序列,再采用排列熵理论对分解后的子序列进行熵值重组;然后,利用改进金豺算法对双向长短期记忆网络的参数进行优化,并对每个子序列建立预测模型;最后,组合各模型结果得到最终预测值。实验结果表明,本文模型预测精度更高,与真实值拟合度更好。     

基于多策略改进哈里斯鹰算法的过热汽温模型参数辨识

为了进行控制器的设计和整定参数,建立精准的过热汽温模型,获得更好的控制效果。由于哈里斯鹰算法存在易陷入局部最优和收敛精度低的问题,提出多策略优化的哈里斯鹰优化算法。在探索阶段利用Logistic混沌映射,优化种群的初始化问题,从而改善哈里斯鹰算法收敛精度低的问题;然后通过随机收缩指数函数非线性化能量方程,使得算法在寻优过程更加协调;最后引入了自适应权重因子更新猎物的位置,提高算法的准确度。通过与其他算法比较,证明了本文算法的精准度。多策略优化的哈里斯鹰优化算法应用于现场数据辨识,对某600 MW超临界机组的过热汽温系统进行辨识,验证算法的准确性和优越性。     

基于NMWOA-LSTM的卷取温度预测模型

由于热连轧带钢卷取温度控制过程存在强非线性和时变性等因素影响，导致卷取温度控制精度和卷取命中率低。提出一种基于改进鲸鱼算法优化长短期记忆神经网络的方法，加入自适应参数优化和混合变异策略并融合小生境技术得到小生境技术混合变异策略的改进鲸鱼优化算法，建立改进鲸鱼算法优化LSTM的卷取温度预测模型，并与其他模型进行对比。仿真实验表明，在10个测试函数中，同其他先进算法相比，NMWOA算法具有更好的搜索能力和寻优精度；在卷取温度模型预测中，NMWOA LSTM模型同其他4种模型相比，卷取温度高精度命中率达到9750%，提高了卷取温度的预测精度。     

基于误差修正的NNA-ILSTM短期风电功率预测

为更准确预测短期风电功率,提出了一种基于误差修正的NNA-ILSTM短期风电功率预测方法。首先,采用斯皮尔曼（Spearman）等级相关系数法对风电功率影响因素分析,选出相关性较高的参量;其次,对长短期记忆网络添加注意机制与修改损失函数以解决其对有效信息筛选不足的问题,利用神经网络算法（NNA）优化改进的长短期记忆网络（ILSTM）中的神经元数量和时间步长,提高其预测精度以及泛化能力,构建NNA-ILSTM预测模型;最后,分析预测误差与风电功率、风速之间相关性,构建误差修正模型,对NNA-ILSTM模型预测结果进行修正,得到风电功率预测的最终结果。实验结果表明,所提出的模型可以显著提高风电功率预测精度。     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

基于MA-LSTM的短期负荷预测方法

精准的预测电力系统短期负荷对电力系统智能化和可靠运行有重要意义。为了提高负荷预测的精度,采用了一种基于蜉蝣优化算法和长短期记忆神经网络的短期负荷预测方法。将影响负荷的温度、日期类型、湿度作为输入特征;对长短期记忆神经网络中的参数使用蜉蝣算法不断地优化以确定最优参数;最后建立MA-LSTM模型对短期负荷进行预测。算例结果表明,和BP、LSTM、PSO-LSTM及SSA-LSTM方法相比,所提方法具有更高的预测精度,为电网安全稳定运行提供了有力保障。     

融合测距修正和哈里斯鹰优化的DV-Hop定位算法

针对传统DV-Hop定位算法在无线传感器网络节点定位时精度偏低的问题，本文提出了一种基于测距修正和哈里斯鹰优化算法的DV Hop改进算法。该算法采用多通信半径调整网络节点最小跳数，利用最小均方差和权重因子优化网络节点平均跳距，采用改进的哈里斯鹰算法替代最小二乘法进行位置计算，引入Tent混沌映射、精英群体制度和正余弦优化策略以避免算法过早陷入局部优化，通过最优解求解得到网络节点近似坐标值。仿真结果表明，在不同条件下，改进算法与传统DV-Hop算法和ABCDV-Hop算法相比能够具有更好的定位能力，节点定位误差平均下降20.13%和7.74%，定位精度较高。     

基于ACO-VMD-LSTM的光伏功率超短期预测研究

针对传统光伏功率超短期预测算法精度不高的问题,提出一种基于改进变分模态分解的长短期记忆网络的光伏功率预测模型。首先利用Pearson相关系数分析光伏功率影响因素,其次利用基于蚁群算法优化的变分模态分解对光伏功率序列进行分解,并将各模态分量级气象因素作为长短期记忆网络的输入,得到预测功率。仿真结果表明,与BPNN、LSTM模型相比,所提出的预测模型具有较高的预测精度,可为光伏电站功率预测提供参考。     

基于模型无关优化策略的风电短时回归预测框架设计

目前，风电出力预测面临跨环境、跨传感器设备的多任务挑战，往往需要对不同的预测目标各自独立地展开针对性训练。鉴于此，首先提出了一种基于模型无关元学习策略 (model-agnostic meta-learning, MAML)的短期预测方法，并基于该方法能够实现对新任务样本快速适应的能力设计了新型回归训练框架。然后结合卷积神经网络–长短期记忆网络、有注意力机制的Seq2Seq、有自注意力机制的Transformer、Synthesizer等时序深度网络模型，将该框架应用于风力发电预测场景。实验结果表明相比常规的预训练–微调的深度网络训练方法，所提出的方法在GEFCom2012数据集上对各算例实现了均方根误差和均方误差等指标的提高，同时各模型在短时风电出力为案例的预测任务上的泛化性能获得了一定提升。该训练框架可便捷地将主流深度学习模型和数据集转换为适应MAML策略的匹配模式。     

基于改进哈里斯鹰优化算法的有源配电网故障定位

针对改进的遗传算法、二进制粒子群算法等智能优化算法在复杂的有源配电网中故障定位的准确率不高、易于陷入局部最优、收敛速度慢以及定位时间长等问题,提出一种基于改进哈里斯鹰优化算法的有源配电网故障区段定位方法。首先,通过Tent混沌映射改善初始种群和将逃逸能量非线性化,以加快哈里斯鹰优化算法的收敛速度。其次,通过结合黄金正弦算法跳出局部最优。最后,所提方法在IEEE33节点有源配电网模型上进行了仿真测试验证,表明改进后的哈里斯鹰优化算法能很大程度地加快收敛速率,故障定位方法具有很高的容错率。     

基于Dropout优化算法和LSTM的铅酸蓄电池容量预测

针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM（long short-term memory）神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。     

基于ICOA-LSTM的短期负荷预测研究

精准的负荷预测有利于电力系统的稳定运行,提高经济性和可靠性。为了提高短期电力负荷的预测精度,提出了一种基于改进型黑猩猩算法优化长短时记忆网络的短期负荷预测模型。由于黑猩猩优化算法存在易陷入局部最优、寻优精度低等缺陷,采用Circle映射策略初始化种群,产生分布均匀的黑猩猩种群,提高黑猩猩种群的多样性,为全局寻优奠定基础;其次,引入螺旋位置更新策略,使黑猩猩种群有多种搜索路径,扩大搜索空间,提高种群的全局搜索能力;然后,引入Levy飞行策略和自适应t变异策略,在最优解位置进行扰动变异,增强抗局部极值能力,提高算法的收敛精度。针对LSTM网络的隐含层神经元数,学习率等参数较难选取的问题,利用ICOA对LSTM网络自动寻找最优参数,建立ICOA-LSTM负荷预测模型。结合某地区的实际数据进行预测分析,结果表明,与BP、LSTM、PSO-LSTM、COA-LSTM预测方法相比,ICOA-LSTM模型具有更高的短期电力负荷预测精度,其预测平均绝对误差为17.01kW,均方根误差为21.80kW,平均绝对百分比误差为0.37%。     

基于深度强化学习哈里斯鹰算法的路径规划

哈里斯鹰算法存在容易早熟、陷入局部最优陷阱、稳定性较差等问题。为了提升算法性能，本文提出了一种利用深度确定性策略梯度算法（DDPG）改进的哈里斯鹰算法。该改进将深度强化学习和启发式算法结合，利用深度确定性策略梯度算法训练神经网络，再通过神经网络动态地生成哈里斯鹰算法关键参数，平衡算法全局搜索和局部搜索，并赋予算法后期跳出局部最优陷阱的能力。通过函数优化和路径规划对比实验，实验结果表明，DDPGHHO算法具有一定的泛化性和优秀的稳定性，且在不同环境下均能够搜索到更优路径。     

基于特征相关分析修正的GPSO-LSTM短期负荷预测

针对多因素互影响造成负荷预测精度低的问题,提出一种基于特征相关分析修正与全局粒子群优化(GPSO)的长短期记忆循环神经网络(LSTM)短期负荷预测新方法.该方法首先对负荷相关序列进行探索性数据分析(EDA)及预处理,找寻特征内在机理与相关联系并加以修正,保证输入特征的强相关性和完整性.针对传统前馈神经网络无法处理序列关联信息和普通循环神经网络无法记忆久远关键信息的缺陷,构建基于LSTM负荷预测模型进行深度学习.由于LSTM网络权值的随机初始化,使得目标函数在训练过程中易陷入局部最优,利用改进粒子群算法优化预测模型的网络权值,提升模型整体预测能力.与反向传播神经网络(BPNN)和递归神经网络(El-man)的基准模型相比,所提模型方法的预测精度提高显著.     

基于 IDBO-ARIMA 的电力变压器振动信号预测

为解决电力变压器振动信号因非平稳特性而导致难以预测的问题,提出一种基于改进蜣螂优化算法的差分整合移动平 均自回归预测模型。 首先,利用 ADF 检验和 KPSS 检验对变压器原始振动信号进行平稳性检验,若不平稳则进行差分处理直至 信号平稳。 其次,通过在蜣螂优化算法中引入周期突变机制以提升算法的寻优能力,并利用改进后的蜣螂优化算法对差分整合 移动平均自回归模型参数 p 和 q 进行定阶,实现对变压器振动信号的预测。 最后,利用某个 0. 4- / 0. 4-kV,15-kVA 三相双绕组 干式变压器实际采集的振动数据,验证所提出模型的有效性。 仿真结果表明,该模型的平均绝对百分比误差可达 3. 77%,而差 分整合移动平均自回归模型、长短时记忆网络、循环神经网络和卷积神经网络的平均绝对百分比误差分别为 5. 34%、4. 74%、 5. 03%、5. 40%。 因此,所提出的模型可以实现变压器振动信号的精准预测。     

基于自适应VMD-Attention-BiLSTM的交通流组合预测模型

针对短时交通流量序列的非平稳性和随机性的特征,为提高短时交通流预测精度和收敛速度,提出一种基于自适应变分模态分解(VMD)和结合注意力机制层的双向长短时记忆网络(BiLSTM)的组合预测模型。首先,使用自适应变分模态分解将时空交通流量序列分解为一系列有限带宽模态分量,细化了交通流信息,降低了非平稳性,提升了建模的精确度;其次,利用结合注意力机制的双向长短时记忆网络挖掘分解后交通流量序列中的时空相关性,从而揭示其时空变化规律,从而进一步提升了建模精确度,并且利用改进Adam算法进行网络权值优化,以加速了预测网络的训练收敛速度;最后,将各模态分量预测值叠加求和作为最终交通流预测值。实验结果表明,使用模态分解的预测模型预测性能明显优于未使用模态分解的预测模型,同时自适应VMD-Attention-BiLSTM预测模型相较于EEMD-Attention-BiLSTM预测模型,均方根误差降低了47.1%,该组合预测模型提升了预测精度,并且能够快速预测交通流量时间序列。     

基于DBO-VMD和IWOA-BILSTM神经网络组合模型的短期电力负荷预测

新能源在现代电力系统中占比不断提高,其负荷不规律性、波动性远大于传统电力系统,这就导致负荷预测精度不高。针对这个问题,提出了蜣螂优化(dung beetle optimizer, DBO)算法优化变分模态分解(variational mode decomposition, VMD)与改进鲸鱼优化算法优化双向长短期记忆(improved whale optimization algorithm-bidirectional long short-term memory, IWOA-BILSTM)神经网络相结合的短期负荷预测模型。首先利用DBO优化VMD,分解时间序列数据,并根据最小包络熵对各种特征数据进行分类,增强了分解效果。通过对原始数据进行有效分解,降低了数据的波动性。然后使用非线性收敛因子、自适应权重策略与随机差分法变异策略增强鲸鱼优化算法的局部及全局搜索能力得到改进鲸鱼优化算法(improved whale optimization algorithm, IWOA),并用于优化双向长短期记忆(bidirectional long short-term memory, BILSTM)神经网络,增加了模型预测的精确度。最后将所提方法应用于某地真实的负荷数据,得到最终相对均方根误差、平均绝对误差和平均绝对百分比误差分别为0.0084、48.09、0.66%,证明了提出的模型对于短期负荷预测的有效性。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。