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。     

基于神经网络的柴油机润滑油稀释率预测方法研究

为了实现柴油机润滑油稀释程度的准确、快速检测,基于试验建立了润滑油稀释率与理化参数指标的数据集。利用果蝇优化算法（fruit fly optimization algorithm, FOA）搜寻最优解更新广义回归神经网络（generalized regression neural network, GRNN）的光滑因子,提出了一种多理化指标参数融合的润滑油稀释程度预测方法。仿真结果表明：该模型的拟合优度为99.9%,均方根误差为0.106。通过将4种模型进行对比,证明了FOA–GRNN模型在预测精度、收敛速度及稳定性上的优越性。在实际柴油机远后喷试验中,将该预测方法与气相色谱（gas chromatograph, GC）法进行对比,二者的绝对误差在0.5%之内。该预测方法在保证检测精度的同时大大缩短了检测时间,为柴油机实现按质换油提供了理论和技术指导。     

基于果蝇算法优化广义回归神经网络的凝汽器真空预测

针对凝汽器真空模型复杂而难以准确建立的问题,提出了基于果蝇算法优化广义回归神经网络(FOAGRNN)构建凝汽器真空预测模型的新方法。为了简化网络模型,通过计算平均影响值(MIV)筛选出对凝汽器真空影响较为重要的变量。采用果蝇算法对光滑因子进行优化选取,减少人为设置参数对预测效果的影响,提高广义回归神经网络(GRNN)的预测精度。将该方法应用于660MW火电机组凝汽器真空预测,并与未经变量筛选的GRNN及FOAGRNN预测结果进行对比。结果表明筛选变量过后的FOAGRNN模型的预测精度明显优于另外两种,平均相对误差为1.0925%,能够准确地预测凝汽器真空变化值。     

基于AFOA-BP神经网络的燃气轮机研制风险预测

为提高燃气轮机研制过程中的风险管理能力,针对果蝇算法（Fruit Fly Optimization Algorithm,FOA）及BP神经网络的缺陷,构建了自适应果蝇算法（Adaptive Fruit Fly Optimization Algorithm,AFOA）,提出基于自适应果蝇算法优化BP神经网络的风险预测模型,利用自适应果蝇算法优化BP神经网络的阈值和权值。挖掘燃气轮机研制风险因素及风险事件之间的关系,并根据风险因素的权重预测风险事件的权重。利用燃气轮机研制风险的相关历史数据进行验证,表明该模型具有较高的预测精度和应用价值。     

基于MFOA GRNN的汽轮机热耗率预测模型

为提高机组热耗率在线计算的精度与鲁棒性,提出多种群果蝇优化算法(Multi-population fruit fly optimization algorithm,MFOA)和广义回归神经网络(Generalized regression neural network,GRNN)相结合的汽轮机热耗率预测模型。以影响机组热耗率的主要运行参数为输入参数,建立基于GRNN的机组热耗率计算模型,并进一步采用改进的多种群果蝇优化算法优化GRNN模型中的光滑因子。将所建MFOA-GRNN热耗率预测模型应用到某1 000 MW机组中,结果表明该模型具有很好的计算精度,在测量数据发生方差增大、定值偏移等异常情况时该模型也能给出可靠的计算结果,具有较强的泛化能力和鲁棒性,满足实际工程需要。     

基于PSOGRNN的我国电力消费预测

为准确预测电力消费并给电力发展规划制定提供依据,提出一种电力消费混合预测模型(PSOGRNN),将GDP、人均可支配收入和电力消费历史数据作为输入变量,运用粒子群优化(PSO)算法优化选择用于电力消费预测的广义回归神经网络(GRNN)模型参数值,以此提高模型的预测精度。实例验证结果表明,与自适应GRNN模型、DGM(1,1)模型和最小二乘线性回归模型相比,PSOGRNN模型的预测精度最高,且有效可行。     

基于改进遗传算法优化的小波神经网络短期负荷预测模型

针对传统小波神经网络在电力系统短期负荷预测中存在预测结果的精确度依赖初始网络参数的问题,提出了一种基于改进遗传算法优化的小波神经网络短期负荷预测模型。为了保证神经网络在训练过程中,各个层的权值和阈值按最优方向变化,将遗传算法引入小波神经网络,利用遗传算法寻优能力指导权值和阈值进行优化。将概率分布策略用于遗传算法的种群交叉和变异过程,解决遗传算法在中后期搜索精度差,收敛速度慢等问题。应用结果表明,与基本的小波神经网络的预测模型相比,在只考虑短期负荷历史数据的情况下,通过均方根误差计算比较,基于改进遗传算法优化的小波神经网络短期负荷预测模型具有更高的预测精度。     

基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

基于广义回归神经网络的旋转机械振动特征预测

提出了一种基于广义回归神经网络(GRNN)模型的旋转机械振动特征预测策略,给出了一种快速的GRNN模型平滑参数的优选方法;采用滑动窗口的方法更新训练样本,以便在每步预测之前获得能反应振动最新变化趋势的网络结构,进而提高预测精度。将该方法应用于某600MW核电机组动静碰摩故障下的振动特征预测,并与粒子群算法优化的支持向量回归模型(PSO-SVM)、径向基函数神经网络(RBFNN)模型的预测结果进行了对比分析,结果表明:提出的振动预测模型的总体性能优于PSO-SVM、RBFNN模型,在学习样本数目较少的情况下也能够得到较为满意的预测结果。     

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。     

基于灰色关联分析与随机森林回归模型的短期负荷预测

针对人工神经网络和支持向量机存在的泛化误差大、具有局部最优以及参数选取困难等缺点,将随机森林回归模型引入电力系统短期负荷预测,提出了一种基于相似日与随机森林回归模型的短期负荷预测方法。利用灰色关联分析法计算原始训练样本与预测日各影响因素间的关联系数,选取相似度较高的历史样本构成相似日样本集,对随机森林回归模型进行训练。将预测日的特征向量输入训练好的模型中,取所有回归树输出结果的平均值作为最终的负荷预测结果。实际算例表明,与常规支持向量机法和常规随机森林回归法相比,该组合方法可以有效地提高短期负荷预测的精度。     

基于改进混沌搜索的AMPSO-BP短期负荷预测

为了精准预测微电网短期负荷,采用模糊聚类方法选择相似日粗集,用灰色关联分析法选取相似日,并针对神经网络易陷入局部极小值的缺点,提出基于混沌搜索的自适应变异粒子群优化算法(AMPSO)获得神经网络最佳参数,建立AMPSO-BP神经网络短期负荷预测模型。对收集的电网数据进行试验仿真结果显示,所提方法有很高的预测精度和稳定性,在实际中有一定的应用价值。     

基于小波变换与Elman神经网络的短期风速组合预测

风速的准确预测对风电场发电系统的经济和安全运行有着重要的作用。为了克服风速随机性强的缺点,提高短期风速预测的精度,提出了一种将小波变换与Elman神经网络相结合的短期风速组合预测模型。该模型由小波预处理模块和神经网络预测模块组成。首先利用小波预处理模块将风速序列作多尺度分解,重构得到不同频段的子序列,然后利用Elman神经网络模块分别对其训练和预测。实际风速预测结果表明,与单一的Elman和ARMA法相比,该组合预测模型的预测精度有较大的改善,可以用于风电场短期风速的预测。     

基于分数阶灰色Elman组合模型的中长期负荷预测

针对电力系统中长期负荷预测样本少、间隔时间长、影响因素多等问题,提出基于分数阶灰色Elman的组合预测模型,首先针对负荷预测样本少、增长趋势明显的特点,利用分数阶灰色模型弱化原始序列的随机性,降低解的扰动界,其次利用Elman神经网络模型适应性与学习能力强的特点来解决负荷的非线性及影响因素复杂的问题,然后根据最优模型赋予二者最优权值,得到最终的组合模型,最后采用傅里叶级数残差校正模型修正组合模型的误差。仿真结果表明,本文提出的方法可有效拟合负荷的变化趋势,提升负荷预测的准确度。     

证据理论融合蚁群神经网络的短期负荷组合预测

为提高短期负荷预测的精度,引入了证据理论融合蚁群神经网络的组合预测方法,根据重庆市负荷的实际数据,采用蚁群神经网络作为单一模型对其进行初步预测,由BP神经网络对预测误差及主要外界影响因素进行分析建模,获得了每个模型的可信度,并用证据理论对可信度进行合成得到组合权值,进而实现对短期电力负荷的组合预测。结果表明,该方法拟合误差小、预测精度高,具有一定的应用价值。     

神经网络短期光伏发电预测的应用研究进展

准确的太阳能发电功率短期预测是保证电力调度和大规模光伏并网的关键。该文对近年来光伏发电功率短期预测研究进展进行综述,并对影响光伏发电功率的各种气象因素进行相关性分析。针对用于光伏发电短期功率预测的人工神经网络模型和深度学习模型进行总结和评述。太阳辐照度是影响预测模型精度的主要气象参数。在光伏发电功率短期预测中,神经网络及其组合模型均表现出较好的预测精度,但组合模型整体上优于单一预测模型。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。