基于GAPSO算法优化的ELM神经网络在柴油机故障诊断中的应用

针对极限学习机(ELM)神经网络初始权阈值对算法性能的影响问题,提出一种融合遗传算法(GA)与粒子群算法(PSO)的GAPSO算法,用于优化ELM神经网络初始权阈值。该算法将群组一分为二,分别采用GA和PSO算法,再将优秀个体进行合并,改善了PSO算法全局搜索能力,同时增强了GA算法的局部搜索效能。通过对柴油机故障诊断的实验证明,基于GAPSO优化初始权阈值的ELM神经网络可以有效提升故障诊断精度。     

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GASA的RBF神经网络在优化柴油机燃烧系统中的应用

针对多输入多输出、不确定性多干扰源的复杂非线性柴油机燃烧系统,以RBF神经网络作为优化模型,用正交试验法设计网络的训练样本,并用遗传模拟退火算法(GASA)对RBF网络结构和初始权值进行优化。将此RBF神经网络应用于燃烧系统优化过程中,得到理想的燃烧系统优化参数。按该参数进行试验,效果良好,达到了与大规模试验相同的优化效果,具有试验少、效果好的优点。     

基于GA-LMBP神经网络模型的大坝渗流压力预报分析

为克服传统BP神经网络在渗流压力预测过程中收敛慢、计算量大和易陷入局部极小等缺陷,依据渗流压力的影响因素,研究了模型的结构和输入输出因子,建立了基于遗传算法和LM算法相结合的GA-LMBP神经网络的大坝渗流压力预测模型,即通过遗传算法(GA)的选择、交叉和变异操作得到BP网络的一组全局最优近似解(即网络的初始权值和阈值),再以该近似解为初值,利用LM算法对BP网络进行优化训练,将训练好的网络用于渗流压力的预测。实例应用结果表明,在相同精度的要求下,GA-LMBP神经网络模型收敛速度快、预测精度高,对大坝渗流压力的预测效果更佳,是值得采用的一种模型。     

基于GA-BP神经网络算法的输电线路舞动预警方法

针对传统BP神经网络初始权值和阈值随机产生、易陷于局部最优化、收敛速度慢以及隐含层的神经元数量不易确定等问题,采用遗传算法对BP神经网络的初始权值和阈值空间进行遗传优化,获取最优权值矩阵和阈值矩阵,并由此进行误差反向前馈神经网络的训练学习,同时采用试错法,结合相关公式,缩小隐含层神经元数量范围,寻找最优神经元数量,建立GA-BP神经网络模型,对输电线路舞动的发生进行预警。通过对相关地区输电线路舞动历史数据进行了算例分析,对比其他机器学习算法的预测结果准确性,结果表明：改进的GA-BP神经网络能更准确有效地预测输电线路舞动的发生情况;为防止大规模舞动灾害提供有力了保障,进一步提高了电网抵御自然灾害的能力。     

基于MEA-Elman神经网络的光伏发电功率短期预测

摘要： 为进一步提高光伏发电功率预测的准确度,从而将思维进化算法（MEA）和Elman神经网络相结合,通过MEA优化Elman神经网络权值和阈值,克服了Elman神经网络易陷入局部最优等缺陷。根据光伏发电系统的历史发电数据和气象数据,建立MEA-Elman神经网络预测模型并对其测试。结果表明,与原有光伏预测模型比较,该预测模型能够有效提高光伏预测的有效性和精确性。     

基于自适应差分进化算法优化极限学习机的干旱预测方法

针对极限学习机在实际应用时随机选取初始权值与阈值易导致其稳定性弱及泛化能力差的问题,利用自适应差分进化算法对其进行改进,构建了自适应差分进化极限学习机预测模型,并选用海表异常温度作为该模型的输入因子,对研究区域的干旱进行预测。结果表明,以海表异常温度作为模型的输入因子,应用极限学习机能有效地进行干旱预测,通过自适应差分进化算法优化的极限学习机应用于干旱预测,其精度与稳定性均有所提高。     

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。     

基于遗传算法优化BP神经网络的垃圾焚烧炉结渣预测模型

利用遗传算法优化BP神经网络的初始权值和阈值,建立了垃圾焚烧炉对流受热面积灰结渣BP网络预测诊断模型。将建立起的BP网络模型应用于某焚烧处理生活垃圾量520t/d的发电厂机组,经过训练后的BP网络模型对检验样本的焓差进行仿真预测,优化前的平均相对误差为2.579%,优化后的平均相对误差为0.426%,表明经遗传算法优化后的BP神经网络更能准确地预测锅炉对流受热面的结渣状况,从而为优化吹灰提供指导,具有重要的实用价值。     

基于粒子群优化算法优化BP神经网络模型的间接空冷散热器性能监测

为监测间接空冷散热器的换热性能,提出了监测间接空冷塔出水温度的方法。根据间接空冷系统散热器传热量计算和热平衡方程,分析了间接空冷塔出水温度的影响因素,建立了以环境温度、环境风速、大气压力、间接空冷塔循环水进水温度、循环水进水压力、出水压力和百叶窗开度7个主要参数为输入,出水温度为输出的BP神经网络模型。为避免该模型陷入局部最优,采用非线性动态惯性权重的粒子群优化(PSO)算法对BP神经网络模型的初始权值和阈值进行了优化,构建了PSO-BP神经网络预测模型,并根据某660MW间接空冷机组的运行数据对该模型进行了训练和验证。结果表明:采用PSO算法优化的BP神经网络模型具有较强泛化能力,预测精度高于单纯的BP神经网络模型,预测平均绝对百分比误差为0.55%。     

基于遗传神经网络的高边坡位移分析方法研究

针对神经网络的稳定性与计算精度依赖于初始权阈值,改进了标准遗传算法,采用改进遗传算法优化神经网络的初始权阈值,构建了遗传神经网络模型并应用于水电站高边坡变形位移模拟预测中.实例结果表明,该模型预测精度高、简单易行、快速实用,可应用于工程实际.     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法.首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断.最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能...     

基于小波变换的改进混合蛙跳-差分进化-神经网络预测模型的短期风速预测

针对目前对风速序列短期预测中不同组合算法预测精度较差、适应性不强等问题,提出一种基于小波变换的组合预测模型算法,将风速序列经小波变换降低波动性与无序性,利用混合蛙跳算法(shuffled frog leaping algorithm,SFLA)优化逆向传播(back propagation,BP)神经网络的初始权值与阈...     

神经网络在柴油机放热规律预测中的应用

引言 柴油机喷油规律与放热规律之间是一种非线性的因果关系。由于神经网络具有高度非线性映射功能,本文以２４０直喷式柴油机为样机建立了一个从喷油规律预测放热规律的ＢＰ神经网络模型。该模型采用误差反向传播算法即ＢＰ算法,以长期运行的试验数据为样本对网络训练,通过删除冗余权值和节点对网络结构进行了优化,选择了样本的确定原则、处理方法及输人方式,针对２４０柴油机放热规律具有双峰的特点,采取了分段预测的方法。该模型以喷油规律作为输入,可对放热规律进行预测,为柴油机放热规律的预测研究提供了一种新方法。１　放热…     

基于遗传算法—优化长短期记忆神经网络的柴油机瞬态NOx排放预测模型研究

为实现选择性催化还原系统（selective catalytic reduction,SCR）尿素喷射量的精确控制,构建并评估了一套利用遗传算法（genetic algorithm,GA）优化长短期记忆（long short term memory,LSTM）神经网络的柴油机瞬态NO_x排放预测模型。针对柴油机瞬态运行特点,选择柴油机NO_x排放的主要影响因素进行相关性分析,确定模型的输入变量;为避免人为选取参数对神经网络预测性能的不良影响,采用遗传算法优化LSTM神经网络的参数,建立预测柴油机瞬态NO_x排放的GA-LSTM模型;最后对预测模型进行了性能测试。结果表明,该模型具有较好的预测能力。     

基于遗传算法优化神经网络的齿轮故障诊断

针对齿轮故障诊断的重要性和复杂性,基于神经网络固有的局部极小值及遗传算法良好的全局收敛能力和搜索性,在遗传算法优化初始权值和阈值的基础上构建了GA-Elman神经网络的故障诊断系统.仿真结果表明,该方法用于齿轮常见故障诊断和预测有效、可行.     

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。     

基于改进差分极端学习机的燃煤锅炉NOx预测

低NOx燃烧优化是一种简单、高效、廉价的燃煤电站NOx减排方法.建立NOx预测模型是该方法的重要组成部分.极端学习机(extreme learning machine,ELM)是一种简单有效的建模方法,但随机生成的输入权值和隐层阈值会影响ELM的泛化性能和逼近能力.针对该问题,利用一种改进的差分进化算法(improve...     

CQPSO-BP算法在风电机组齿轮箱故障诊断中的应用

为实现风电机组齿轮箱故障模式的有效识别,提出一种基于混沌量子粒子群优化BP神经网络(CQPSOBP)的故障诊断方法。在该算法中,利用混沌序列来初始化粒子的初始角位置,可提高种群的遍历性;通过引入变异操作,避免算法陷入早熟收敛,并依此来对BP神经网络的初始权值和阈值进行优化。实例表明,同粒子群优化BP神经网络(PSO-BP)与BP网络的诊断结果相比,CQPSO-BP算法具有收敛速度快、识别精度高的优点,可有效用于风电机组齿轮箱的故障诊断系统中。