基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

基于果蝇算法优化BP神经网络的齿轮箱故障诊断

为有效提高风电机组齿轮箱故障诊断的快速性和准确性,采用近几年出现的果蝇算法对BP神经网络进行优化,减少了BP神经网络算法陷入局部最优解的风险,显著增强了BP神经网络的泛化能力和全局寻优能力。对比发现,果蝇算法优化后的BP神经网络模型具有比较好的快速性和准确的诊断能力。测试结果表明,果蝇算法优化BP神经网络对风机齿轮箱故障诊断具有可行性和有效性。     

基于IFOA-GRNN的电力系统短期负荷预测

考虑到电网负荷与诸多因素有关,设计了一种带有温度、气象、日期类型的广义回归神经网络（GRNN）负荷预测模型。为了提高该模型的预测精度,提出了一种改进果蝇优化算法优化广义回归神经网络（IFOA-GRNN）的方法,即在利用果蝇优化算法（FOA）进入迭代寻优时,通过改进搜索距离优化该算法的性能和稳定性。利用改进的FOA优化GRNN的光滑参数,然后利用训练好的预测模型对甘肃省某地区进行了短期负荷预测,并与FOA-GRNN和误差反向传播神经网络(BPNN)模型结果进行了误差比较。结果表明, IFOA-GRNN具有较高的预测精度,能够满足电力系统短期负荷预测的要求。     

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PCA-GABP神经网络的发动机负荷特性预测

针对BP算法存在的不足，本文提出了一种PCA—GABP神经网络方法预测发动机负荷特性，该方法由主成分分析（PCA）和遗传神经网络（GABP）两部分构成，采用PCA技术减少网络输入变量、精简网络结构、提高学习效率；GABP算法采用局部改进遗传算法优化神经网络权值，并采用自适应学习速率动量梯度下降算法对神经网络进行训练。预测结果表明该方法在准确性和收敛性方面都优于BP算法。     

基于果蝇优化算法的GRNN水电机组状态趋势预测

针对水电机组振动的非线性、非平稳特性,提出了一种基于果蝇优化算法（FOA）的广义回归神经网络（GRNN）模型（FOAGRNN ）,实现了GRNN分布参数的优化选择,并对四川省新政航电工程3台机组5个不同部位的振动序列峰峰值进行了预测,与BP神经网络预测结果的均方误差（MSE）对比结果表明,FOAGRNN预测精度较高。     

基于ACFOA优化RBF的短期风电功率预测

为了提高短期风电输出功率预测的准确度,在分析研究基本预测方法的基础上,提出采用一种自适应混沌果蝇算法(ACFOA)优化RBF神经网络的预测方法。该方法中引入自适应混沌对果蝇算法的进化机制进行优化,并利用ACFOA算法改善RBF神经网络结构参数以提高网络的泛化能力,同时对某风电场的历史数据进行验证分析。仿真结果表明,相比于PSO-RBF预测方法,采用提出的预测模型能有效减少较大误差出现的频率,大幅度提高风电输出功率预测的准确度。     

基于DTW-VMD-PSO-BP的光伏发电功率短期预测方法

针对光伏发电系统短期预测影响因素较多、预测精度较低、稳定度不高等问题,提出一种基于动态时间弯曲（DTW）和变分模态分解（VMD）的粒子群（PSO）优化的BP神经网络光伏发电预测方法。首先使用动态时间弯曲算法对光伏发电功率及影响因素的数据进行测算得到DTW值,再根据DTW值选择对光伏发电功率影响较大的辐射度作为主要影响因素,然后利用变分模态分解将影响因素及光伏发电功率进行分解,降低数据的波动性和非平稳性。运用粒子群优化的BP神经网络对各分量进行预测,然后将预测结果进行叠加,叠加所得结果即为最后预测结果。在Matlab中对该方法和其他神经网络进行算例验证和误差分析,结果表明采用该方法预测结果精度高,稳定性好。     

基于花朵授粉算法和BP神经网络的短期负荷预测

为了提高短期电力负荷预测的准确性,降低因预测精度不高带来的电能损失,提出将花朵授粉算法（flower pollination algorithm,FPA）与BP神经网络相结合,利用FPA算法具有收敛速度快、全局搜索能力强的特点,对BP神经网络的权值和阈值进行优化,改善传统BP神经网络因权值和阈值的选择具有随机性而陷入局部最优和收敛速度慢的缺点。最后,通过某地区实际负荷数据验证了优化后的BP神经网络的预测精度得到了提高。     

基于果蝇优化算法的GRNN模型在边坡稳定预测中的应用

鉴于边坡系统是一个复杂的多因素影响的非线性系统,综合考虑边坡的物理状态和环境因素,采用了一种基于果蝇优化算法(FOA)的广义回归神经网络(GRNN)模型(FOAGRNN)预测边坡的稳定状态,并与BP神经网络预测模型结果进行比较。结果表明,FOAGRNN预测的精度较高,基本反映了边坡稳定的真实状态。     

基于改进KPCA和GA-BP神经网络的电能质量稳态指标预测

为提高电能质量稳态指标预测精度,以气象因素、有功负荷及历史电能质量数据作为输入变量,提出一种基于改进核主成分分析(KPCA)和遗传算法(GA)优化BP神经网络的电能质量稳态指标预测方法,首先将改进K-means聚类算法与KPCA相结合,通过改进K-means算法将输入变量划分为不同的子类,降低了核矩阵维数;再利用KPCA提取每类输入变量的非线性主成分,简化网络结构;然后分别将每一类中提取的特征作为BP神经网络模型新的输入变量,并结合GA算法优化BP神经网络参数,建立每一类数据的预测模型。算例应用结果表明,该方法的预测精度明显优于传统BP神经网络预测方法和KPCA+BP神经网络预测方法。     

基于蜻蜓算法优化BP神经网络的燃气轮机故障诊断

为了提高燃气轮机故障诊断的准确率,提出了一种基于蜻蜓算法(Dragonfly algorithm,DA)和BP(Back Propagation)神经网络的燃气轮机故障诊断方法。针对BP神经网络容易陷入局部极值的问题,采用蜻蜓算法(DA)对BP神经网络的权值和阈值进行参数优化。仿真结果表明:基于蜻蜓算法的DA-BP神经网络的燃气轮机故障诊断准确率高达97.78%,训练误差为0.03%,与基于粒子群算法的PSO-BP故障诊断和标准BP算法的故障诊断相比,DA-BP模型诊断的准确率最高,训练误差最小。实例证明,采用DA-BP模型实现燃气轮机气路故障诊断具有良好的诊断速率和诊断准确率,具有一定的应用价值。     

基于改进麻雀搜索算法优化RBF神经网络的光伏阵列故障诊断

针对传统BP神经网络在光伏阵列故障诊断时受初始权值阈值的影响,易导致全局搜索过程陷入局部最优这一问题,提出了一种基于改进麻雀搜索算法优化RBF神经网络（ISSA-RBF）的光伏故障诊断方法。首先,利用Matlab建立光伏阵列故障仿真模型,提取出故障诊断模型的特征参数;其次,融入Levy飞行和自适应权重φ对麻雀搜索算法进行改进,用优化后的算法建立ISSA-RBF故障诊断模型;最后,与传统BP和SSA-RBF模型进行对比验证,实验结果表明,ISSA-RBF模型在故障诊断精度上达到94.8%,可以有效诊断光伏阵列的故障类型。     

基于PCA-GABP神经网络的发动机负荷特性预测

针对BP算法存在的不足,本文提出了一种PCA-GABP神经网络方法预测发动机负荷特性,该方法由主成分分析(PCA)和遗传神经网络(GABP)两部分构成,采用PCA技术减少网络输入变量、精简网络结构、提高学习效率;GABP算法采用局部改进遗传算法优化神经网络权值,并采用自适应学习速率动量梯度下降算法对神经网络进行训练。预测结果表明该方法在准确性和收敛性方面都优于BP算法。     

基于新型智能算法对太阳能无人机光伏组件电压预测控制研究

针对BP网络算法预测光伏组件电压易陷入局部最优解,提出一种新型智能算法--自适应差分进化算法优化BP神经网络(BPNN)。太阳能无人机光伏组件电压的预测是通过自适应差分进化算法对BP神经网络的初始值和阈值进行优化,经过不断趋同、异化、迭代,输出最优个体,并按照编码规则将其解码后得到BP神经网络的初始权值和初始阈值,建立SaDE-BPNN电压预测模型。为了证明新方法的优良性能,选取均值绝对误差、均值绝对误差、均方根误差和相对误差4种精度指标对模型的精度进行评价。实验结果表明,SaDE优化BPNN后的平均绝对误差比BPNN低约30%。SaDE优化后的BPNN的均值绝对误差和均方根误差均小于BPNN,分别约为0.65和0.043。以上数据表明,新方法提高了预测的精度,实现了全局优化,能够显著提高预测效果。     

基于改进粒子群算法优化模糊神经网络的炉膛结渣预测研究

为提高基于模糊神经网络的锅炉炉膛受热面结渣预测精度,提出了一种基于广义钟型隶属度函数非线性惯性权重递减调整策略的粒子群优化算法,通过适应度测试函数对比实验、结渣预测实验和预测稳定性分析对现有文献中线性惯性权重递减调整策略（LPSO）、指数型非线性惯性权重递减调整策略(IPSO)和基于广义钟型隶属度函数非线性惯性权重递减调整策略(GJPSO)进行对比分析。研究结果表明：本文所改进的粒子群算法可以有效地改善算法的早熟现象、平衡算法的全局和局部搜索能力、提高算法的收敛效果和稳定性。利用改进后的粒子群算法对模糊神经网络中的权值和阈值进行优化,提高了模糊神经网络的炉膛结渣预测性能。     

基于AMBOA-DBN结合相似日的短期光伏功率预测

提出一种综合灰色关联理论的数据挖掘方法选取相似日，运用自适应动态权重的变异蝙蝠算法优化DBN神经网络。首先从历史数据集和预测日数据两方面分析主要影响光伏发电功率的因素，通过在原有模糊灰色关联分析的基础上，引入计算事物各属性发展趋势相似程度为衡量标准的综合灰色关联理论，选取更高相似度的相似日；利用自适应动态权重蝙蝠算法对DBN的权值参数进行优化，以此改进神经网络训练过程中因初始权值选取不当而陷入局部最优或收敛时间过长等问题。建立短期光伏功率预测模型，将此模型与其他预测模型进行对比，实验结果表明该模型更具预测精准性。     

基于IABC-ANFIS的燃气轮机气路故障诊断

为了提高燃气轮机故障诊断的效果,提出了一种基于自适应模糊神经网络(Adaptive Network-based Fuzzy Inference System,ANFIS)和改进的人工蜂群算法(Improved artificial bee colony algorithm,IABC)的故障诊断方法:基于自适应模糊神经网络构建燃气轮机故障诊断模型。针对自适应模糊神经网络受聚类参数影响较大的问题,采用手榴弹爆炸原理改进的人工蜂群算法对这些参数进行优化。仿真结果表明,与未优化的ANFIS模型和ABC-ANFIS模型相比,IABC-ANFIS可以更稳定、准确地识别故障,为燃气轮机故障诊断提供实际参考。     

基于变量优化和IWOA-LSTM的锅炉系统水冷壁温度预测

为进一步提高锅炉系统水冷壁温度的预测精度,提出一种基于变量优化和改进鲸鱼算法优化长短期记忆神经网络的水冷壁温度预测模型。首先,通过互信息算法(MI)进行变量选择,消除初始数据中的冗余变量;其次,使用经验模态分解算法(EMD)对变量选择后的数据进行特征分解,在提取变量有效特征信息的同时降低噪音干扰;最后,使用由非线性递减因子和自适应权值改进后的鲸鱼优化算法(Improved Whale Optimization Algorithm,IWOA)确定长短期记忆神经网络(LSTM)的超参数,得到一种新型锅炉系统水冷壁温度预测模型(MI EMD IWOA LSTM)。实验结果表明,相比传统的最小二乘支持向量机(LSSVM)预测模型,MI EMD IWOA LSTM模型的均方根误差(RMSE=0.306 8)和平均绝对百分比误差(MAPE=0.054 6)最低,能够实现对锅炉系统水冷壁工质温度的精准预测。     

基于Sine-SSA-BP神经网络模型的风机叶根载荷预测

针对风机叶根载荷影响因素复杂、计算量大、非线性和强耦合,采用传统数理分析方法难以建模的问题。文章首先分析了叶根载荷的主要影响因素,并结合多元回归模型建立载荷预测模型;然后采用Bladed对2MW风机实验所得仿真数据划分训练数据集和测试数据集,并利用所得数据对Sine混沌映射改进麻雀算法优化的BP神经网络（Sine-SSA-BP）预测模型进行训练,使用训练后的模型进行叶根载荷预测;最后将预测结果与测试数据、BP神经网络预测模型和极限学习机（ELM）预测模型的预测结果进行对比分析。结果表明,Sine-SSA-BP预测模型性能更佳,预测精度更高,验证了所提方法的可行性和有效性。