基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。     

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。     

基于改进CS算法优化Elman-IOC神经网络的短期负荷预测

为提高负荷预测精度,提出一种基于混沌定向布谷鸟算法优化Elman-IOC神经网络的短期负荷预测模型,首先对Elman神经网络拓扑结构进行改进设计,通过增添输入-输出层连接单元,加强网络并行运算能力,提高预测精度,然后在布谷鸟算法中,利用最优位置信息指导随机游动过程,同时引入混沌扰动算子,增强全局搜索能力,最后将算法应用于Elman-IOC神经网络参数优化,建立了短期负荷预测模型。实验结果表明,较之其他模型,本文模型具有更高的预测精度。     

基于自适应变异蝙蝠优化BP神经网络的短期风电功率预测

风电规模化并网技术的大力发展,进一步增大了对电力系统规划与运行的影响。现今,风电机组出力面临着波动的随机性以及不确定性的技术性问题,为了提高短期风电功率预测的精度,文中提出了一种结合基于群体适应度方差自适应变异的蝙蝠优化算法(AMBA)与BP神经网络算法,就短期风电功率进行精准预测。该模型根据群体适应度方差以及当前最优解的数值来定位当前最优个体的变异概率,并对全局最优个体进行t分布变异,对变异后的蝙蝠个体进行二次寻优。利用AMBA优化BP神经网络中包含的网络参数,进而提高了BP神经网络的预测精度。通过对实例进行分析,将AMBA-BP模型预测效果与其他模型预测结果相对比。结果表明,该模型能有效提高短期风电功率预测精度。     

基于IA-BP神经网络的UWB室内定位系统

复杂的室内环境给定位系统带来非视距误差和多径干扰,消除或降低误差成为超宽带(UWB)室内定位研究的热点。提出一种基于IA-BP神经网络的UWB室内定位方法,将BP神经网络训练的误差值作为免疫算法计算亲和度的抗原,通过免疫算法寻得BP神经网络的最优权值和阈值,避免BP神经网络收敛速度较慢和容易陷入局部最优值的问题,达到定位误差较小的目的。仿真实验结果表明,IA-BP神经网络训练100个样本输出的最大归一化误差不超过0.02,以3个锚点构成的定位场景中,待定位节点的仿真输出轨迹与实际运动轨迹基本吻合。     

基于AdaBoost-Elman算法的锂离子电池荷电状态估计方法

工作状态下的电池是一个动态的非线性系统,基于数据驱动的机器学习是锂离子电池SOC估计建模的一类重要方法,其中基于神经网络的学习方法是典型代表。针对单一前馈型神经网络(如BP神经网络)预测过程中存在泛化能力低、局部极小化、预测精度低及动态性不足等问题,提出基于AdaBoost-Elman算法的锂离子电池SOC估计方法。该方法充分利用了Elman神经网络的动态特性和AdaBoost算法提高弱预测器精度的特性,使组合后的强预测器具有较强的泛化能力、估计精度和动态特性。与BP神经网络和Elman神经网络的估计精度进行比较,AdaBoost-Elman神经网络的估计精度高、动态特性好,为锂离子电池SOC估计提供了一种新的途径。     

基于遗传单纯形神经网络的大坝变形监控模型

本文针对遗传算法局部搜索能力差的缺陷，把单纯形法嵌入到遗传算法中构成复合遗传算法，建立了基于遗传单纯形神经网络的大坝变形监控模型。实例研究表明，该模型较遗传神经网络模型、BP模型收敛性能好，具有较高的预报精度、较快的训练速度和较强的泛化能力，用于大坝变形预测有效可行，具有良好的应用前景。     

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。     

进化Elman神经网络在实时数据预测中的应用

为了提高电站实时数据的准确性,提出了一种利用改进粒子群算法进化Elman神经网络的动态系统实时数据预测方法.改进粒子群算法中,根据群体早熟收敛程度和当前最优解的大小对部分不活跃粒子进行变异,增强了算法跳出局部最优解的能力.利用改进的粒子群算法训练Elman神经网络权值和自反馈增益因子,有效地解决了梯度下降法训练网络权值...     

基于集成模型的混合神经网络电力负荷预测

为了提高负荷预测的精度与泛化能力,提出了一种基于Bagging集成算法的GRU-BiLSTM-Self-attention模型。为充分提取高维输入数据的多个特征,该模型采用BiLSTM-Self-attention模型提取局部特征,采用GRU模型提取时序特征,从同一训练集中独立抽取样本子集并进行训练,对输出结果集成处理并得到最终的预测结果。选取南京某供电公司真实数据进行实验,并与LSTM神经网络、GRU神经网络、BiLSTM神经网络等预测模型进行对比。实验数据表明,该模型的均方根误差为50.770 3,准确率为97.36%。相较于其它用于对比的模型,该结果表明本模型在预测效果上具有一定程度的优势,说明所提出的模型具有更好的泛化能力与预测精度。     

基于PFA-MBAS-BP神经网络模型的光伏发电短期预测

针对光伏发电短期预测模型的输入变量多且关系复杂、BP神经网络稳定性差且易陷入局部最优解等问题,建立了一种基于主因子分析法(PFA)和优化天牛须搜索算法(MBAS)的改进BP神经网络光伏发电短期预测模型。该模型首先对光伏历史发电数据和气象数据进行降维简化分析,利用主因子分析法对影响光伏发电的主要因素进行相关性分析,选取主因子作为预测模型输入量。然后利用MBAS算法的空间寻优搜索,选取BP神经网络训练的最优权值阈值。最后,利用实测历史数据对不同预测模型进行仿真对比。仿真结果表明,所建立的改进模型的预测精度可达92.5%,图像数据拟合程度高且适用多种天气类型的光伏发电预测。     

基于结合混沌纵横交叉的PSO-DBN的短期光伏功率预测

为了提高短期光伏发电预测的准确性,文中采用深度置信网络(DBN)建立了各模型函数的预测模型。通过分析各模型函数的特征,建立了光伏发电模型的功率预测。传统的基于神经网络的功率预测难以训练多层网络,影响其预测精度。DBN采用无监督贪婪逐层训练算法构建了一个在回归预测分析中具有优异性能的多隐层网络结构,已成为深度学习领域的研究热点。DBN连接权重采用结合混沌纵横交叉的粒子群优化算法(CC-PSO)优化,避免出现由随机初始化导致的局部最优解现象,从而提高了DBN网络预测性能。最后,案例测试显示了所提出模型的有效性。     

基于数据融合IGA-RGRNN低阶煤制甲烷产量预测模型

为了提高智能系统的准确性与快速性,针对多传感器网络,提出了一种以融合技术为数据基础与改进遗传算法-广义旋转回归神经网络IGA-RGRNN(improved genetic algorithm and rotated generalized regression neural network)算法相结合的预测模型。利用RGRNN强大的非线性随机变量的处理能力,把预测理论引入改进遗传算法循环中,将该模型应用于低阶煤制甲烷产量预测过程,并对预测模型效果进行实验验证。实验结果表明,基于数据融合IGA-RGRNN低阶煤制甲烷产量预测模型的相对误差最大值为2.99%,相对误差最小值为0.25%,相对误差平均值为1.76%,相较其他预测模型具有泛化能力更强和预测精度更高的优势,为低阶煤制甲烷产量预测提供一种新的途径。     

基于PSO-DBN神经网络的光伏短期发电出力预测

考虑到光伏输出功率的随机性和波动性,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)优化深度信念网络(Deep Belief Network,DBN)的光伏短期发电出力预测方法。首先利用改进粒子群算法确定DBN神经网络最优的初始权值,建立初始DBN网络。其次,确定预测日后,利用灰色关联度法选出与预测日气象特征相似度高的日期。将这些日期的气象数据和历史发电数据作为训练集对初始DBN网络进行训练,建立预测模型。最后仿真结果表明,所用模型相比于传统的DBN神经网络具有更高的预测精度。     

基于改进遗传算法的电网投资组合预测方法

提出了一种通过改进遗传算法并综合利用灰色预测GM(1, N)模型、BP神经网络模型、多元回归模型建立的电网投资组合预测模型。基于传统遗传算法对组合预测约束条件进行了优化并改进了遗传算法中交叉算子和变异算子,从而使算法具有更强的全局搜索能力和收敛能力。利用所提出的组合预测模型对某地区电网投资进行预测的结果表明,相比于单一预测模型和其他两种组合预测模型,所提组合预测模型能充分利用原始数据的信息,具有更高的预测精度。     

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.     

并网型分布式光伏发电辐照波动预警系统设计

针对传统系统太阳辐照波动预警准确率低、误差大和预测效率低的问题,提出并设计了新的并网型分布式光伏发电辐照波动预警系统,采用基于蚁群BP神经网络的辐照波动预测方法获取了预测结果的最优解。预警系统中包含太阳能电池组件、微型逆变器和单机辐照度预警子系统等,采用三端稳压模块LM7803电源模块,保障极端天气正常供电;选择单晶硅太阳电池片的光照传感器,将太阳辐射的光能变换成电能;采用指数平滑法结合趋势移动平均法对太阳辐照进行预测,得到预测时间段范围内的平滑指数,以此作为计算参数,根据蚁群BP神经网络算法,通过构建新传递函数,优化网络结构,改进BP神经网络训练,求出预测结果最优解。试验结果表明:所提系统能在不同天气条件下有效预测并网型分布式光伏发电的辐照波动,且预测误差较小;在不同天气类型下,系统预警的准确率始终高于98%,且预警时长平均用时24.08 s,相比于其他系统用时较短,实现预警系统稳定运行,保证输出电能质量,有力支撑系统优化。     

改进自适应蜂群优化算法在变压器故障诊断中的应用

为增强神经网络对变压器故障诊断的能力,同时避免蜂群算法出现局部最优和易早熟,提出一种改进自适应搜索策略蜂群优化算法。该方法通过自适应调整种群更新步长来协调蜂群算法的全局和局部搜索能力,避免出现局部最优状况,同时引入Levy变异因子提高局部搜索的性能。利用改进的蜂群算法优化BP神经网络权值和阈值,通过反复迭代算法,直到达到目标精度要求。该方法以变压器数据为依据进行测试。仿真结果表明,改进后的方法收敛速度更快、判别故障准确率更高。     

基于神经网络的间接矢量控制中转矩辨识算法的研究

本文提出了一种基于神经网络的间接矢量控制系统中的转矩辨识算法,该算法将电机输入输出序列作为神经网络的输入,且神经网络的结果由分步计算实现;同时,该算法中训练数据集的标注采用加速度为核心的标定方法,并设计了数据集中多工况的转矩给定轨迹。相较于传统的神经网络方案,此方案在引入输入输出序列后,使网络对暂态过程的拟合能力得到提升;此外,采用所设计的多工况下的转矩轨迹和基于加速度的标定方法,不仅能够避免模型对特定工况的过拟合,而且能够在兼顾辨识精度的同时在标定过程中无需采用转矩感仪器。仿真和实验结果对比表明该方案精度高,鲁棒性强且适用于暂态过程,整个算法流程在工程上易于实现。     

基于子种群自适应思维进化-BP神经网络的锂离子电池SOC估计

荷电状态(State of Charge, SOC)是锂离子电池的重要参数之一,SOC的精准估计对电池组安全可靠运行具有重要意义。针对误差反向传播(Back Propagation, BP)神经网络易收敛至局部最优,导致基于BP网络的SOC估计精度不高的问题,论文提出子种群自适应趋同策略改进思维进化算法,用其优化BP神经网络初始权值及阈值(优化后的BP网络简称SAMEA-BP神经网络)。结合充放电实验数据,将提出的SAMEA-BP神经网络与BP、思维进化算法优化的BP (MEA-BP)神经网络用于锂离子电池的SOC估计,并对三种方法做了对比分析。结果表明：标准BP神经网络的预测误差保持在9%以内,MEA-BP及SAMEA-BP神经网络分别将误差降低至5%及3%以内,在不同工况下和不同温度下,SAMEA-BP有良好适应性,且估计精度高于BP和MEA-BP。