基于主成分分析的RBF神经网络在需水预测中的应用

针对需水预测方法大都存在一定的局限性,导致预测值与实际值差别较大的问题,采用主成分分析与径向基函数(RBF)神经网络相结合的方法建立需水量预测模型。首先借助SPSS进行主成分分析,对影响因子进行降维处理,以此减少各影响因子之间原有的多重共线性;其次,选用RBF网络,运用Matlab神经网络工具箱,建立了基于主成分分析的RBF(PCA-RBF)神经网络需水预测模型;并以辽宁西部地区凌源市需水预测为例,对预测模型进行了校核。利用训练好的PCA-RBF神经网络需水预测模型对凌源市2014、2015年的总需水量进行模拟预测,预测结果与实测数据相对误差分别为2.9%、0.4%。这说明该模型可相对全面地模拟需水量变化规律,能够用于半干旱山区和材料相对较少时需水量的精准预测,为水资源规划管理提供了理论依据。     

基于BP和RBF神经网络的乙烷脉动热管对比研究

为研究BP和RBF神经网络对脉动热管热阻的预测及改善脉动热管性能,将加热功率、倾角及工作温区作为输入参数,热阻作为输出参数,建立BP和RBF神经网络模型。利用大量实验数据对BP及RBF神经网络进行训练并预测,将预测值与实验值比较,以验证BP和RBF神经网络预测性能。结果表明:BP和RBF神经网络均能较好地预测热阻;采用RBF神经网络,训练数据及测试数据线性回归决定系数R~2分别为0.999 44和0.969 76,预测结果相对误差分别为0.89%和2.97%,均方误差分别为1.43×10~(-7)和3.13×10~(-6);与BP神经网络相比,线性回归决定系数R~2更接近1,相对误差和均方误差更小,能更精确地预测热阻。     

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PSO-SVR的排汽比焓软测量建模研究

为更好地对汽轮机排汽比焓进行测量,将粒子群优化算法引入支持向量回归SVR模型中,构建与之相匹配的排汽比焓软测量预测模型。根据实例校验方法对该模型展开校验,采用汽轮机15种参数作为输入参数,排汽比焓作为输出参数。对某300 MW机组和200 MW机组数据进行仿真,并将该模型与标准SVR模型和双隐层RBF过程神经网络模型预测结果进行对比,对于300 MW机组,该模型的预测平均相对误差为0.101%,均方根误差为0.110%;对于200 MW机组,该模型的预测平均相对误差为0.057%,均方根误差为0.062%;与其他两种模型相比,PSO-SVR模型的预测平均相对误差和均方根误差均最小。实例证明PSO-SVR的排汽比焓软测量预测模型在精确度以及泛化能力等方面呈现出一定的优势,具有较好的预测能力。     

PSO及SM-PSO算法在Jensen模型参数求解中的应用

针对传统的求解Jensen 模型敏感指数的回归分析法（LR）存在的有偏估计和拟合精度不高等问题,利用粒子群算法（PSO）和单纯形法—粒子群算法（SM-PSO）分别对模型的敏感指数进行求解并与传统方法进行对比。结果表明,回归分析法、PSO算法和SM-PSO算法所得模型计算的相对产量与实际相对产量的平均相对误差分别为3.1%、1.8%和1.4%,说明PSO算法和SM-PSO算法均优于传统算法,尤其是SM-PSO算法收敛速度更快、拟合精度更高,是一种有效的求解Jensen 模型敏感指数的方法。     

基于PCA-MPA-ANFIS模型的年径流预测研究

为提高径流预测精度,提出一种将海洋捕食者算法(MPA)与自适应神经模糊推理系统(ANFIS)相结合的径流预测方法,选取6个标准测试函数对MPA进行仿真验证,并与PSO算法的仿真结果进行比较;通过主成分分析(PCA)对数据样本进行降维处理,使输入数据简洁且更具代表性;利用MPA优化ANFIS条件参数和结论参数,建立PCA-MPA-ANFIS径流预测模型,并构建PCA-MPA-支持向量机(SVM)、PCA-MPA-BP作对比模型;基于云南省革雷站、新疆伊梨河雅马渡站年径流预测实例对PCA-MPA-ANFIS、PCA-MPASVM、PCA-MPA-BP模型进行验证。结果表明,MPA仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力;PCA-MPA-ANFIS模型对两个实例年径流预测的平均相对误差分别为1.08%、4.49%,平均相对误差较PCA-MPA-SVM模型分别降低了32.5%、37.1%,较PCA-MPA-BP模型分别降低了58.2%、37.6%,具有较好的预测精度和泛化能力。可见将PCA-MPA-ANFIS模型用于径流预测是可行和有效的。     

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％.     

基于主成分分析的神经网络在需水预测中的应用

需水量预测是水资源规划与管理的重要内容,建立高精度的需水量预测模型,可为区域水资源规划提供技术支撑。以南昌市为例,利用2005~2015年的实际用水量数据,对南昌市16个用水总量影响因子进行主成分分析,以提取的主成分作为BP神经网络的输入样本,建立BP神经网络需水预测模型。结果表明,经过主成分分析,16个用水量影响因子可用8个主要影响因子代替。建立的BP神经网络模型的需水预测平均相对误差仅为1.37%,预测精度较高,可作为区域需水预测的一种可靠方法。研究成果可为类似区域提供借鉴。     

Bagging集成RW-RBF的水厂消毒预测模型

采用RW(随机游走算法)优化RBF(径向基函数)神经网络后作为集成学习(Bagging)的弱学习器。选取清水池进水流量(Q)、滤后浊度(NTU)、滤后余氯(Cl_-into)、出厂水余氯(Cl_-out)、耗氧量作为输入因子，投药量作为输出因子，建立基于Bagging集成RW-RBF模型对水厂消毒投加进行预测。相较于RBF神经网络和RW-RBF模型，Bagging集成RW-RBF模型平均相对误差降低了90.3%、73.7%;均方根误差分别降低了83.7%、40.6%,说明该模型具有强大的非线性拟合能力，泛化能力强，稳定性高，对供水行业滤后消毒药剂投加量预测有指导作用。     

基于PSO-SVM的景观湖泊水体叶绿素a含量预测

针对目前景观湖泊富营养化严重的问题,提出了一种基于粒子群算法(PSO)优化支持向量机(SVM)的叶绿素a含量的预测方法。利用2017年5～10月广西大学碧云湖的水质监测数据和气象数据进行主成分分析,确定影响水体叶绿素a含量的主要因素为TN、TP、浊度、温度、光照时长和pH值,并将其作为PSO-SVM模型的输入量,以预测景观湖泊水体叶绿素a的含量;将该模型应用于镜湖、鉴湖和月牙湖水体叶绿素a含量的预测以验证模型的适用性。结果表明,基于PSO-SVM模型的碧云湖的叶绿素a含量预测的平均平方误差仅为1.25%,平均相对误差为2.46%;该模型对镜湖、鉴湖和月牙湖水体叶绿素a含量拟合值的平均平方误差分别为3.17%、4.05%、2.42%,平均相对误差分别为3.48%、4.31%、2.80%。PSO-SVM模型可以很好地运用于景观湖泊水体叶绿素a含量的预测,可为湖泊富营养化防治提供参考。     

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。     

基于LS-SVM-RBF网络模型的洋河水库入库径流量模拟

针对采用传统的时间序列等方法模拟入库径流量精度不高的问题,基于最小二乘向量机(LS-SVM)与径向基神经网络(RBF)的相似性结构,利用最小二乘向量机优化径向基神经网络结构,构建了LS-SVM-RBF网络模型,模拟研究了洋河水库入库径流量的变化趋势,并选取BP网络模型和RBF网络模型作为对比模型,以决定系数、合格率、平均相对误差、最大相对误差、均方根绝对误差5个统计学参量作为模型性能评价指标。结果表明,LS-SVM-RBF模型的泛化能力与精度较BP网络模型和RBF网络模型均有较大提高,其决定系数和合格率均为最高,而平均相对误差、最大相对误差、均方根绝对误差三个指标均为最低,检验结果与训练效果相吻合,可见LS-SVM-RBF网络模型误差最小,且具有较高的可靠性。     

Global maximum power point tracking for solar power systems using the hybrid artificial fish swarm algorithm

Maximum power point tracking (MPPT) techniques are used to maintain photovoltaic modules operating points at the local maximum power points under non-uniform irradiance conditions (NUIC). For global maximum power point tracking (GMPPT) within an appropriate period, a hybrid artificial fish swarm algorithm (HAFSA) is proposed in this paper, which was developed using particle swarm optimization (PSO) to reformulate AFSA and improve its principal parameters. Simulation results show that under NUIC, compared with PSO and AFSA, the proposed algorithm has better performance with respect to convergence speed and convergence accuracy. Under NUIC, the average convergence times for 1000 simulation experiments completed with PSO, AFSA, and HAFSA are 0.4830 s, 0.4003 s and 0.3152 s respectively, and the average tracking time of the HAFSA algorithm is reduced by 34.74% and 21.26% compared with PSO and AFSA, respectively. The convergence times of the velocity inertia m relative constant and linear decrement method decreased by 35.48% and 8.19%, the convergence time of the Visual relative constant mode decreased by 10.16%, and the convergence time of the Step relative constant mode decreased by 17.88%. The proposed GMPPT algorithm is simulated in MATLAB, and the algorithm tracks GMPP with excellent efficiency and fast speed.     

基于优化PSO-RBF的柴油机故障诊断方法

针对传统RBF算法收敛速度慢,易于陷入局部极值的问题,提出了一种经优化的粒子群算法PSO,对RBF神经网络粒子群的改进参数、权值线性递减参数和标准参数进行训练寻优,构建出最优PSO-RBF神经网络,并将其用于柴油机的故障诊断预报。对MAN B&W 6L23/30H柴油机三种不同工况下第一缸试验参数的训练表明:改进的PSO-RBF神经网络在柴油机故障诊断中判别率更高,故障诊断的准确性与可靠性得到提高。     

基于遗传算法的压气机性能曲线拟合方法研究

为了研究人工神经网络在压气机性能曲线拟合中的应用,分别利用BP神经网络、RBF神经网络、极限学习机以及BP-GA神经网络对某微型燃气轮机压气机的性能映射关系进行模拟,分析了不同网络模型在压气机特性曲线拟合上的优劣,以及样本容量对不同神经网络模型性能的影响。结果表明:BP-GA神经网络模型不仅收敛速度快,而且精度高;相比传统BP神经网络模型,其平均绝对百分比误差可控制在0.189%以内,训练时间可缩短至19.07 s;当样本容量较少时,传统BP神经网络模型不再适用,而基于遗传算法的BP-GA模型仍然保持较高的精度。     

Robust and optimal technical method with application to hydrogen fuel cell systems

In this paper, a robust nonsingular fast converging sliding mode control (RNFCSMC) with particle swarm optimization (PSO)-based radial basis function (RBF) neural network is presented and applied in hydrogen fuel cell systems capable to maintain low harmonic distortion even in case of nonlinear load. The proposed technical method is a modified structure: a RNFCSMC plus a PSO-based RBF neural network. Though the classic sliding mode control has inherent robustness against plant parameter variations and load disturbances, the convergence of the system states to the zero is usually asymptotical in infinite time. The RNFCSMC is introduced to assure the finite time convergence of the system states and there is no singularity problem. But, once a severe load disturbance is applied, the chattering or steady-state error still exists in RNFCSMC. The PSO-based RBF neural network is employed to determine the control gains of the RNFCSMC, thus eliminating the chattering or steady-state error so that the system performance reaches the optimal point. The proposed technical method has been realized (1 kW, 110V_rms/60 Hz) for the actual single-phase hydrogen fuel cell inverters controlled by a TI DSP. Simulation and experimental results reveal that even under nonlinear load circumstances the proposed technical method yields voltage total harmonic distortion (THD) less than 1.4%, which excels the IEEE standard 519, thus demonstrating the effectiveness of the proposed technical method. Because the proposed hydrogen fuel cell system is considerably simpler to implement than classic sliding mode system and offers faster computational speed, this paper will be a beneficial reference to related control designers of hydrogen fuel cell systems.     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。