粒子群优化神经网络在SOC估算中的应用

针对电传动车辆用动力电池组荷电状态(SOC)非线性强、普通神经网络模型预测精度低的问题,提出利用粒子群优化神经网络权值和阈值的预测方法,建立基于该方法的BP神经网络电池SOC训练模型。为克服粒子群算法容易陷入局部最优的缺点,用混沌变量初始化粒子位置,采用可避免粒子高度聚集的算法,提高模型的预测精度。仿真结果表明,使用该方法估算电池的SOC更具快速性、准确性和稳定性。     

基于EMD-PSO-Bi LSTM组合模型的短期风电功率预测

风电功率预测对风电并网的稳定运行具有重要意义。为了解决风电功率预测中的精度和模型稳定性问题,引入了EMD-PSO-BiLSTM模型。通过经验模态分解技术将原始风电功率序列分解为一系列固有模态函数,以有效捕捉数据中的多尺度特征,并为每个模态序列建立了各自的预测模型。鉴于双向长短时记忆神经网络良好的泛化能力,建立了基于BiLSTM的各模态预测模型。进一步采用粒子群算法优化了BiLSTM参数,解决了模型非线性、高维、多模态等问题,获得了各模态分量的最优模型,并通过汇总各模态分量的结果得到了风电功率预测值。最后,以湖南省某风电场的实际运行数据为例,验证了EMD-PSO-BiLSTM模型可以有效提高风电功率短期预测精度。     

基于杂交粒子群算法的多元线性回归的双语教学态度预测模型

为了提高多元线性回归分析模型预测双语教学态度的准确性和可靠性,采用杂交粒子群优化算法估算模型系数.将调查数据分为建模样本数据和测试样本数据,测试结果表明基于杂交粒子群优化算法的多元线性回归模型具有较高的精确度.     

基于改进PSO的组合预测模型研究

为进一步提高组合预测的预测精度,有必要对预测模型的权重分配进行研究。将粒子群算法用于求解组合预测中模型的权重,并在研究过程中针对基本粒子群算法的不足,对粒子群算法的参数惯性权重和加速度因子进行了改进,构造了基于改进粒子群算法的组合预测模型。以重庆市物流需求的预测为背景,以四种方法为参照对象,对比验证了该改进模型的有效性以及预测的准确性。     

基于粒子群神经网络的期货价格预测

目前在对中国期货市场进行价格预测时,采用神经网络预测时多用的是BP神经网络,但是BP神经网络存在对初始权阁值敏感、易陷入局部极值和收敛速度慢的问题.因此,为了提高模型效率,提出采用PSO-BP模型预测期货价格.首先运用粒子群算法代替BP神经网络的初始寻优,再用BP算法对优化的网络权闽值进一步精确优化,随后建立了基于粒子群算法的BP神经网络预测模型,并将其应用到中国期货市场的期货价格预测研究中.仿真结果表明,新模型结合了粒子群算法的全局寻优能力和BP神经网络算法的局部搜索优势,有效的防止了网络陷入局部极小值的可能,提高了神经网络模型预测的速度和准确性.     

基于粒子群优化以及深度胶囊网络的轴承故障诊断

针对发动机轴承损坏情况严重以及基于模型方法预测精度不稳定的问题,提出一种基于深度胶囊网络和粒子群优化算法的轴承故障预测方法。通过将观测振动信号自适应降噪后,基于粒子群优化算法进行稀疏盲分离,得到轴承振动信号,通过S变换获取时域图以及轴承振动特征,其次将时域图经由卷积层卷积,输入到胶囊层进行预测。将高低胶囊层之间的算法转化为数学优化问题,提升传输效率,最后得出高层胶囊的预测向量。结合具体轴承监测数据进行实例分析,与基于数据的浅卷积网络以及经验模态分解预测相比,算法体现了更稳定更精确的预测性能。     

基于混合算法的降水集成预报研究

为进一步提高降水预报的准确性,针对预报产品的多样性及其预报结果的差异性,综合粒子群算法和遗传算法的优点,将基于粒子群算法和遗传算法的混合算法应用于降水集成预报。利用天津市气象局提供的实际测量数据,通过对各模式降水预报数据的筛选处理,结合基于粒子群算法和遗传算法的混合算法集成模型,实现了多种预报模式降水数据的集成处理,并与传统方法集成及单一粒子群算法和单一遗传算法集成进行了对比研究。实验表明,混合算法的集成结果优于传统集成方法及单一粒子群算法和单一遗传算法集成,并好于任意一个模式成员。     

基于自控粒子群优化的入侵数据分析

基于异常的入侵检测方法难以有效地获得一个用于建立正常行为模式的正常数据训练集,而粒子群优化模糊聚类算法的初始化聚类数目一般凭经验确定,准确性不高。为此,提出一种自控粒子群优化模糊聚类算法。从网络数据中提取训练集,并初始化具有不同聚类数目的粒子群,在迭代过程中,根据不同粒子群的聚类有效性函数,通过列控制向量对各粒子群规模进行调整,由此实现聚合。实验结果表明,该方法的聚类结果准确率高,可以为基于异常的入侵检测方法提供可靠的训练数据。     

金融风险预警的MPSO-FNN模型构建与应用

提出了一种改进型粒子群算法,并结合神经网络与模糊逻辑系统建立金融风险预警模型。将模型应用于信贷风险预警研究,仿真实例的结果表明,该模型所获得的预测准确性更高,是处理金融风险这类复杂经济系统预警问题的一种有效方法。     

改进的PSOGM算法在动态关联规则挖掘中的应用

针对动态关联规则挖掘中支持度向量和置信度向量变化趋势的分析和预测,提出一种改进的粒子群优化的灰色模型应用在动态关联规则挖掘中。由于灰色模型在引入背景值后导致在非平稳序列中的预测精度下降,因此有必要引入参数进行修正,通过在粒子群优化算法中引入二次搜索机制,优化求解灰色模型不同时刻的背景值,从而提高粒子群算法的局部搜索能力,进而提高灰色模型的预测精度。通过在Matlab平台上进行实验仿真,数据集采用超市购物数据,结果表明该方法比原始灰色模型、遗传算法优化的灰色模型和标准的粒子群优化的灰色模型具有更高的预测精度。     

基于随机森林的短期电量负荷精准预测方法

可再生能源并入电网后,电能供给量增加,短期电量负荷情况难以预测,无法制定准确的电能分配策略,由此,提出基于随机森林的短期电量负荷精准预测方法研究。深入分析短期电量负荷预测影响因素（气象、时间、电价与随机干扰因素）,选取适当的模型输入变量（历史电量负荷数据、温度数据与日类型）,结合随机森林算法构建短期电量负荷预测模型,并重复确定相似日的选取规则,采用粒子群优化算法寻找预测模型参数最佳值,将样本集输入至模型中,获得精准的短期电量负荷预测结果。实验数据显示:当输入变量数量达到一定值后,应用提出方法获得的短期电量负荷预测时延稳定在0.55s左右,短期电量负荷预测误差几乎为0,充分证实了提出方法应用性能较佳。     

基于结合混沌纵横交叉的粒子群算法优化极限学习机的短期负荷预测

为了解决传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种结合混沌纵横交叉的粒子群算法（CC-PSO）优化极限学习机(ELM)的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关,采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置,提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析,研究结果表明,相对于BP神经网络和支持向量机,ELM具有更高的泛化能力和预测精度;CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力,CC-PSO-ELM模型具有较高的负荷预测精度。     

基于改进多目标骨干粒子群算法的电力系统环境经济调度

针对粒子群优化算法种群多样性不足、易陷入局部寻优的问题,提出一种基于改进多目标骨干粒子群优化算法(improved bare-bones multi-objective particle swarm optimization, IBBMOPSO)的电力系统环境经济调度的求解方法. IBBMOPSO采用一种搜索权重非线性递减策略改进骨干粒子群的位置更新模式,并在不同搜索阶段对最差粒子设计不同的位置更新策略,以平衡算法的全局搜索能力和局部搜索能力. IBBMOPSO根据粒子拥挤距离选择全局最优解,采用距离评价指标选择折衷最优解.最后对6机IEEE 30节点的标准测试系统进行仿真计算,并与其他算法进行对比分析,结果显示IBBMOPSO在解决电力系统环境经济调度问题上优于其他算法,具有良好的可行性和有效性.     

改进粒子群算法和支持向量机的网络入侵检测

网络入侵检测一直是网络安全领域中的研究热点,针对分类器参数优化难题,为了提高网络入侵检测准确性,提出一种改进粒子群算法和支持向量机相融合的网络入侵检测模型(IPSO-SVM).首先将网络入侵检测率作为目标函数,支持向量机参数作为约束条件建立数学模型,然后采用改进粒子群算法找到支持向量机参数,最后采用支持向量机作为分类器建立入侵检测模型,并在Matlab 2012平台上采用KDD 999数据进行验证性实验.结果表明,IPSO-SVM解决了分类器参数优化难题,获得更优的网络入侵分类器,提高网络入侵检测率,虚警率和漏报率大幅度下降.     

为移动体域网供能的射频能量源布置方法

得益于无线能量传输技术的突破,体域网节点可以捕获射频能量源的无线电波能量进行充电,从而持续不间断地工作.对能量源数量和位置进行合理规划可以有效提高节点的能量捕获功率,降低部署成本.现有工作大多考虑节点静止情况下的能量源部署问题或通过概率统计模型转化为节点静止的情况,因此具有明显的局限性.考虑体域网应用背景下,携带可穿戴节点的用户具有特定停留-移动模式,基于该模型归纳了满足节点能量不中断概率要求的能量源优化布置问题,并将该问题的限制条件分解,转化为一个等价问题.分别基于贪婪算法和分治-粒子群算法设计了能量源优化布置算法.通过多组仿真实验,在不同参数下将两种算法与现有路径覆盖算法的性能进行了对比.实现结果表明,在满足节点能量不中断概率要求的前提下,分治-粒子群算法相比贪婪算法和路径覆盖算法更能节省能量源部署成本.     

利用PSO-SA混合优化支持向量回归的径流预报模型研究

为了有效提高径流预报的准确度,提出一种有效的融合优化策略,采用基于粒子群和模拟退火算法相结合的混合方法同时优化支持向量回归核函数类型和内核参数,以此建立一种有效的混合优化支持向量回归径流预报模型。提出的方法为核函数选择和参数优化提供了一种有效途径。通过对广西柳州柳江径流实例分析,并与纯粹的支持向量回归模型对比,研究结果表明,该模型预测稳定,具有较高泛化性能和预测准确度,为径流预报提供了一种有效预测方法。     

实时电价下用户侧电力需求响应模型优化策略及数字仿真谈竹奎1,汪元芹2,赵菁2,刘斌1,刘敏2

为解决智能电网发展中用户参与电力市场运营的响应积极性以及用户收益最大化问题,本文在经济学原理基础上,引用需求价格弹性系数表征用户的用电量随电价的变化情况,建立实时电价下的用户负荷调节能力模型,根据该模型,进一步研究了基于实时电价的用户侧电力需求响应模型优化策略,考虑用户在不同响应场景和不同负荷调节潜力下的需求响应。解决供电与用电间的电力供需不平衡问题,实现用户积极响应及其利益最大化,并提高系统稳定性与安全性。以某地需求响应系统为例,对进入现货市场交易的用户进行数字仿真,通过算例分析表明该模型能有效改善用电负荷曲线,减小用户购电成本,验证了基于实时电价下的电力需求响应优化策略的优化效果。     

基于交变粒子群BP网络的电力系统短期负荷预测

短期负荷预测是电力系统正常运行的关键环节,合理的发电计划依靠准确的负荷预测,因此提出交变粒子群算法来优化BP网络模型以预测电力短期负荷。针对 依靠先前的经验 来确定BP神经网络的权值缺少理论依据的问题,采用交变粒子算法优化BP神经网络权值,以减少通过神经网络预测模型求解电力短期负荷预测带来的误差。实验证明,经过优化的BP神经网络预测模型比传统的BP神经网络预测模型的误差更小,更加接近实际电力负荷。     

求解两级定位-路径问题的粒子群算法

为求解配送网络中的两级定位-路径问题,提出一种在粒子更新过程中融入路径重连启发式搜索策略的粒子群算法。其中,根据两级定位-路径问题中解的属性,提出以中转站、路径、边为对象的三个路径重连搜索模块;同时基于搜索模块的不同组合,提出四种路径重连策略。应用不同规模算例测试结果表明,该粒子群算法能有效求解两级定位-路径问题,且路径重连策略一的求解效率较高,策略二求解的稳定性较好,策略三求解时各方面均无突出表现,策略四求解时解的质量较高。     

基于数据挖掘的PSO-BP短期电力负荷预测

针对海量用电数据环境下,如何提高电力负荷预测精度的问题,采用数据挖掘对电力负荷历史数据进行聚类分析以及异常检测,并利用灰色序列对异常数据进行修正。利用蚁群算法对粒子群优化-反向传播(PSO-BP)算法进行优化,以提高算法的预测精度。通过对历史负荷数据进行试验,验证该方法的预测平均误差为3.16%,低于无数据挖掘的PSO-BP算法模型以及PSO-BP算法模型的预测误差。该方法具有一定的实用性以及有效性。