基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

基于卷积神经网络的东苕溪瓶窑水文站水位预报

东苕溪流域的洪水防御对杭嘉湖平原安危至关重要,而瓶窑水文站水位预报是东苕溪流域洪水调度的决策依据。基于二维卷积神经网络,构建了东苕溪瓶窑水文站水位预报方法,选择起涨水位、下游水位、上游水库下泄流量及区间降水量构建特征集,设计了三层二维卷积神经网络结构,对输入特征集进行有效特征提取,采用两层全连接神经网络建立水位预报模型,并利用粒子群算法优化模型参数,进而得到最优模型。东苕溪2007～2020年14场典型洪水过程水位预报实例分析表明,基于卷积神经网络的瓶窑水位预报模型预报精度能达到甲级,预报精度和可靠性较高。     

基于不同优化算法下风电预测精度对风水电协调影响研究

研究了持续法、ARIMA方法、改进BP神经网络3种不同的风电预测模型,在相同条件下,经实例仿真发现,改进BP神经网络模型的预测精度好于ARIMA预测模型,而ARIMA预测模型的预测精度好于持续法预测模型.基于上述3种不同的风电预测模型,建立了风-水发电联合协调运行的模型.采用遗传粒子群和混合粒子群2种不同的优化算法来研究风电预测精度对风-水电协调影响,通过仿真实例发现,风电预测模型精度越高,得到的理论值与实际值偏差越小;在考虑2种不同优化算法的情况下,遗传粒子群优化算法得到的数值与实际值偏差比混合粒子群大,同时基于不同风电预测模型下的误差也要比混合粒子群大.     

基于PSO-WNN的大坝安全监控模型研究

针对大坝安全监控中小渡神经网络模型(WNN)训练时间较长且易陷入局部极小值的缺陷,提出采用粒子群优化算法(PSO)取代传统的梯度下降法对小波神经网络中的各参数进行优化.建立了PSO-WNN模型并用于大坝安全监测的拟舍和预报.实例结果表明,PSO-WNN模型收敛速度快、预测精度及稳定性高,为大坝变形监测分析提供了一种有效的新型建模方法.     

基于PSO-RBF神经网络的微电网等效建模

提出一种改进粒子群优化的RBF神经网络微电网动态等效模型及建模方法,利用RBF人工神经网络的非线性映射特性解决微电网系统并网接入的等效建模问题。基于微电网公共接入点(PCC)的电压、电流、功率等量测数据构建RBF神经网络等效模型,将接入点电压和电流分别作为神经网络的输入和输出,使神经网络的输入输出更具独立性。将混沌优化的全局遍历性引入粒子群优化算法中,构建基于全局最优解的变邻域混沌搜索提高粒子群算法的全局搜索能力,利用改进粒子群算法优化RBF神经网络模型参数提高模型计算精度。最后通过微电网并网仿真实验验证本文提出等效模型的准确性和建模方法的合理性。     

基于自适应粒子群优化BP神经网络的氨法烟气脱硫效率预测

针对氨法烟气脱硫效率的预测问题,建立了以脱硫系统运行中8个主要参数作为输入变量的BP神经网络模型,采用粒子群优化算法(PSO)对建立的BP神经网络模型的权值进行优化,提出基于粒子群优化算法的BP神经网络(PSO-BP)预测新模型,并利用某电厂脱硫系统20组运行数据对该模型进行了验证.结果表明:采用PSO算法对BP神经网络的权值和阈值进行寻优,避免了网络局部极小值的出现,提高了网络的泛化能力,采用PSO-BP预测模型可以对氨法烟气脱硫效率进行较高精度的预测.     

基于改进粒子群算法的BP神经网络在初始地应力场反演优化中的应用

为找到一种较为精确的方法反演出最接近实际情况的初始地应力场,首先对传统粒子群算法进行改进,以弥补传统粒子群算法搜索范围过于局限的缺陷,然后将改进粒子群算法与BP神经网络算法相结合,来解决BP神经网络收敛速度慢、精度不足等缺点,最后对某抽水蓄能电站初始地应力场的反演进行优化,并与BP神经网络的计算结果和实测值进行对比,发现该方法可提高优化精度。     

基于PSOEM和神经网络的光伏电站功率预测

分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法（PSO）和带扩展记忆粒子群优化算法（PSOEM）这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。     

基于粒子群优化算法的RBF神经网络在泾惠渠灌区地下水位埋深预测中的应用

针对不恰当地选取RBF神经网络的网络结构和参数会使网络收敛慢的问题,采用粒子群优化算法对RBF神经网络参数进行优化,建立了基于粒子群优化算法的RBF神经网络模型(PSO-RBF模型),对泾惠渠灌区地下水位埋深进行了模拟和预测。结果表明,与单一的RBF神经网络相比,PSO-RBF模型具有较高的预测精度。再根据时间序列预测法预测的降水量、径流量、蒸发量、渠灌引水量、地下水开采量、气温等模型的输入变量,用训练好的PSO-RBF模型预测了泾惠渠灌区2009~2020年地下水位埋深,发现该灌区地下水位埋深呈下降趋势。     

风电场邻近风电机组缺测风速集成填充方法

针对风电场中邻近多台风电机组集中出现缺损测量风速的工况,提出基于粒子群优化广义回归神经网络的风电机组缺损测量风速集成填充方法。以"成员等同性"原则引入动态时间规整算法、空间邻点法和Pearson相关系数法,分别搜寻与缺损测量风速风电机组风速演化最为相似的若干台风电机组及对应的测量风速时序,建立基于广义回归神经网络的填充子模型,采用粒子群算法对广义回归神经网络的模型参数和训练集的构成进行全局优化,之后选取较好的子模型构造自适应的熵权集成填充模型。实验结果表明:依据相似性风速序列进行缺损风速的填充能有效提高填充精度;粒子群算法优化广义回归神经网络,不仅提高了子模型的填充效果,更使得模型参数的调节有据可依,能适应不同风电场风速数据的特点;基于熵权的集成填充策略理论依据充分,集成填充的精度和稳定性优于单个子模型。     

基于ZigBee及PSO-BP神经网络的温室温湿度检测系统

为了满足日益发展的农业技术需求,并提高温室系统温湿度检测的精度,本文设计了基于PSO-BP神经网络的温室无线温湿度检测系统.该系统硬件结构由基于CC2530芯片制成的开发板及SHT11温湿度传感器实现,在采集数据的过程中加入经粒子群算法优化（PSO）的神经网络,以此补偿检测过程的非线性误差.通过Matlab软件仿真可验证PSO-BP神经网络的补偿效果.在实验环境下,此系统运行正常.     

基于CWOA-BP的电缆接头阻水性能评估

为评估电缆接头阻水性,提出了一种基于CWOA-BP神经网络的电缆接头阻水性评估模型。对电缆冷缩接头进行阻水试验,选取电缆接头传感器上各项数据作为评估指标进行实例分析,并与BP、GA-BP、PSO-BP三种算法进行对比。仿真结果表明,新模型算法具有收敛速度快、预测精度高的优点,是一种有效可靠的电缆接头阻水性能评估模型。     

PSO RBF神经网络在城市需水量预测中的应用

为克服径向基函数（RBF）神经网络由于参数选取不当而对其收敛性能的干扰,利用粒子群优化算法（PSO）的全局搜索能力对RBF神经网络的三个参数进行寻优,建立了基于PSO RBF神经网络算法的城市需水量预测模型。结果显示,PSO RBF神经网络算法拟合某市1998～2007年需水量数据的平均相对误差为0.18%,预测2008～2010年需水量数据的平均相对误差为3.84%,耗时1.2 s;通过RBF神经网络算法拟合的误差平均值为0.28%,预测的平均相对误差为5.62%,耗时2.1 s,表明PSO RBF神经网络算法具有更高的收敛速度与精度。     

Aging prognosis model of proton exchange membrane fuel cell in different operating conditions

The aging prognosis model of Proton Exchange Membrane Fuel Cell (PEMFC) can predict the aging state of PEMFC to develop an effective prognostic maintenance plan. This paper proposes an aging prognosis model of PEMFC in different operating conditions based on the Backpropagation (BP) neural network and evolutionary algorithm. The influence of PEMFC current, hydrogen pressure, temperature, and relative humidity on the aging of PEMFC can be considered by the proposed method. Firstly, the aging prognosis model of PEMFC is built by the BP neural network. Then, the evolutionary algorithm including Mind Evolutionary Algorithm (MEA), Particle Swarm Optimization (PSO), and Genetic Algorithm (GA) is used to optimize the parameters of the established aging prognosis model of PEMFC. Finally, the accuracy of the proposed aging prognosis model is validated by 3 PEMFC aging experiments in different operating conditions. The results show that MEA, GA, and PSO can greatly improve the accuracy of the aging prognosis model of PEMFC. The MEA improves the accuracy by 10 times, while the computing time increases by 0.085s. The proposed MEA-BP that has a very short computing time can be applied to online applications.     

基于PSO聚类分析与BP网络的短期电力负荷预测

针对短期负荷预测特点, 提出一种基于PSO聚类分析和BP网络的短期负荷预测方法, 通过PSO聚类分析将负荷历史数据分成若干类对输入数据预处理,建立了相应BP网络模型,采用附加动量和变学习速率法预测每小时负荷.以华东某地区实际负荷预测为例,分析结果表明,该方法适应性强、预测精度高、结果满意.     

基于PSO算法的柴油机性能多目标优化

以玉柴YC6K420LN-C31型柴油机为研究对象,基于RBF(radial basis function)神经网络算法建立发动机数据模型,采用PSO(particle swarm optimization)算法进行基于模型的多目标优化研究.研究表明:RBF神经网络建立的NOx、总碳氢化合物(THC)、CO和燃油消耗率(brake specific fuel consumption,BSFC)数据模型的决定系数R2分别为0.93、0.98、0.96和0.95,模型的预测准确度均大于90％,拟合优度和预测能力满足多目标优化的需求;采用PSO算法对发动机进行多 目标优化,将适应度目标NOx、THC、CO和BSFC的权重最终均设置为0.25,生成控制图谱并进行台架验证,在推进特性工况下总排放量和油耗相比于原机平均降低了 22.9％与5.3％.     

PSO-RBF在大坝变形监测中的应用

针对传统径向基神经网络(RBF)在大坝安全监测应用中易陷入局部最优及预测精度不高的问题,引入粒子群算法(PSO),对输入的大坝安全监测数据进行初步的聚类处理,找出初步聚类中心后令其为PSO的初值,根据运算法则更新初值以寻求适合训练数据的最优基函数中心。以小湾大坝为例,应用Matlab仿真模拟计算了大坝变形量,结果表明PSO-RBF与传统RBF的拟合效果都很好,PSO-RBF预测准确度更高。     

基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法

提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法。粒子群算法不需要计算梯度,可以兼顾全局寻优和局部寻优。利用粒子群算法对BP网络权值和偏置进行优化,减少了BP神经网络算法陷入局部最优解的风险,提高了神经网络的训练效率,加快了网络的收敛速度。考虑风电齿轮箱振动信号的不确定性、非平稳性和复杂性,提取功率谱熵、小波熵、峭度、偏度、关联维数和盒维数作为故障特征。经测试,算法诊断结果正确,表明了PSO优化BP神经网络用于风电机组齿轮箱故障诊断的有效性和实用性。     

基于粒子群神经网络的热力站供热负荷预测

结合河北省秦皇岛市碧水园热力站的供热实际情况,提出了利用BP神经网络进行热力站供热负荷的预测。为克服标准BP算法收敛速度慢和易于陷入局部最小的问题,提出利用进化算法——粒子群算法进行神经网络初始状态的优化。在此基础上,进一步提出了混合粒子群算法和速度变异粒子群算法两种改进算法提高优化性能。计算结果表明,采用粒子群算法和BP算法相结合的办法,可以明显提高热负荷的预测精度。