变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

基于PSO-RBF的短期电力负荷预测模型

精确的短期负荷预测对电网经济运行至关重要。为了提高电力系统负荷的预测精度,提出一种基于相似日和PSO优化RBF神经网络的短期负荷预测方法。该方法以RBF神经网络为短期电力负荷预测的基础算法,结合灰色关联分析法、K-means算法,通过DBI指数筛选出相似日集合,进一步结合PSO对RBF神经网络的参数进行优化。结果表明,所提方法预测精度优于单一RBF神经网络方法,在K-means算法选取的相似日基础之上,PSO-RBF预测模型的MAPE仅为0.77%,能精准预测待预测日负荷值,使其具有更广泛的应用价值。     

基于SAPSO算法优化Elman神经网络的话务量预测

文章提出一种模拟退火(SA)与粒子群优化(PSO)算法相结合的算法来优化Elman神经网络权值和阈值。当PSO处于停滞状态时,利用粒子群优化算法的全局寻优性质,以及SA能跳出局部最优解的特性,在搜索到的最优位置处用模拟退火算法继续寻找最优解,并对具有动态递归性能的Elman神经网络进行学习训练,这样就能对忙时话务量进行预测。结果表明,与传统Elman神经网络和PSO-Elman神经网络相比,基于模拟退火粒子群算法训练的神经网络具有更高的预测精度和良好的自适应性。     

自适应变系数PSO-RBF算法及其在预测工程的应用

RBF神经网络对于非线性预测具有较好的效果,但是其存在容易陷入局部最小值以及收敛速度慢等缺点,研究一种自适应变系数PSO算法对RBF神经网络的初始参数进行优化,之后由RBF神经网络对粒子群算法优化后的网络参数进行精细优化,从而提高神经网络的稳定性以及收敛效率和精度等。自适应变系数PSO算法主要是将自适应递减和递增因子以及自适应调节惯性权重算子策略引入到常规的PSO算法中,从而改进算法在搜索空间中的遍历性,提高寻找全局最优解的概率,提高收敛精度和效率。最后,以炼钢过程中的煤气消耗量与钢铁产量的非线性关系作为预测实例进行研究,使用结果表明,研究的基于自适应变系数PSO-RBF神经网络的预测模型具有很好的预测能力,能够在预测工程中发挥较大的作用。     

基于PSO-RBF神经网络的海战场电磁态势预测

针对海战场电磁态势的预测问题,提出一种基于改进粒子群(PSO)优化径向基函数(RBF)神经网络的海战场电磁态势预测方法。该方法使用自适应惯性权重、模拟退火法和遗传算法对常规的粒子群算法进行改进,提高算法的搜寻精度和速度,并采用改进粒子群算法优化RBF神经网络参数,提高网络的学习效率和预测精度。最后,对海战场电磁态势值之间的非线性映射关系进行仿真预测。实验结果表明,该方法可以有效地提高海战场电磁态势的预测精度,具有较好的适用性。     

基于智能优化的电力负荷预测方法研究

为了使电力系统短期负荷预测精度得到提高,提出了基于智能优化的电力负荷预测方法.通过粒子群优化算法的分析创建智能优化预测模型,通过模型能够得出优化阈值与权值;创建神经网络,确定不同层神经元权值.通过创建的神经网络模型实现电力负荷预测算例的分析,以某地区电力信息为例对文中电力负荷预测方法的精度进行研究.研究结果表明,文中算...     

NRS和PSO算法优化最小二乘支持向量机的短期电力负荷预测

针对依赖经验选取影响短期电力负荷相关因素的不准确性以及最小二乘支持向量机(LS-SVM)模型中参数难以确定的问题,建立结合邻域粗糙集(NRS)理论和粒子群优化(PSO)算法的最小二乘支持向量机短期电力负荷预测模型。为了从经验选择的属性中挖掘出与负荷密切相关的因素,避免选取过多属性而加长训练时间以及冗余属性对预测精度的影响,采用邻域粗糙集理论对属性进行约简,使其结果作为LS-SVM法对模型参数进行寻优,避免依赖经验选择的参数对模型的影响。最后用上述方法对某地区负荷进行预测分析,仿真结果表明上述方法能有效提高负荷预测精度。     

基于支持向量机的电力短期负荷预测研究

以城市电力负荷预测为应用背景,根据电力负荷的特点和支持向量机(SVM)方法在解决小样本学习问题中的优势,提出基于SVM的电力短期负荷预测模型,并使用粒子群优化算法优化其参数.基于SVM的电力短期负荷预测模型的运行结果与BP神经网络模型对比表明,前者稳定性好,运行速度快,准确率高.     

基于支持向量机的电力短期负荷预测研究

以城市电力负荷预测为应用背景,根据电力负荷的特点和支持向量机（SVM）方法在解决小样本学习问题中的优势,提出基于SVM的电力短期负荷预测模型,并使用粒子群优化算法优化其参数。基于SVM的电力短期负荷预测模型的运行结果与BP神经网络模型对比表明,前者稳定性好,运行速度快,准确率高。     

基于PSO优化RBF神经网络的MEMS陀螺温度补偿

针对微电子机械系统(MEMS)陀螺温度变化影响其零偏误差的问题,提出了一种基于粒子群优化(PSO)和径向基函数(RBF)神经网络的陀螺零偏补偿方法.通过RBF神经网络对预处理后的陀螺零偏的温度误差建立模型,用PSO 搜索RBF神经网络的最优参数来提高其泛化能力后,将PSO-RBF神经网络最优参数用于补偿陀螺零偏.实验结果证明了该算法的有效性,经PSO-RBF神经网络算法补偿后,MEMS陀螺零偏的最大误差从0.046(°)/s减小到0.003 4(°)/s,标准差从0.042 7(°)/s减小到0.001 3(°)/s,有效提升了陀螺的零偏稳定性.     

用于电力数据管理分析的负荷预测与异常检测

构建了一个电力数据管理分析系统,并设计了电力负荷预测算法和异常数据检测算法问题.首先,针对BP神经网络在预测电力负荷存在的因初始权值与阈值设置影响估计精度的问题,提出利用粒子群优化BP神经网络网络参数,提高了预测算法的收敛速度与预测精度;然后,针对电力数据异常检测算法效率较低的问题,提出了基于改进谱聚类的异常数据检测算...     

基于径向基神经网络的粒子群表面缺陷识别算法

金属部件表面缺陷识别问题是模式识别领域的研究热点,高效、可靠的表面缺陷识别方法能够有效提高生产效率、维护生产安全。针对这一问题,文中提出了一种利用径向基(RBF)神经网络和粒子群优化(PSO)算法相结合的表面缺陷识别算法。采用PSO算法确定和改进RBF神经网络的权值参数,同时对PSO算法中的惯性权重进行线性处理,有效消除了PSO算法中的最优解局部振荡现象。针对金属部件表面常见的几种缺陷对RBF-PSO表面缺陷识别算法进行网络训练,并进行相应的实际测试。文中提出的RBF-PSO表面识别算法识别准确率可达96%,相比于传统的神经网络算法具有明显的性能提升。     

粒子群优化BP神经网络的激光铣削质量预测模型

为了有效地控制激光铣削层质量,建立了激光铣削层质量（铣削层宽度、铣削层深度）与铣削层参数（激光功率、扫描速度和离焦量）的BP神经网络预测模型。采用粒子群算法优化了BP神经网络的权值和阈值,构建了基于粒子群神经网络的质量预测模型。所提出的PSO-BP算法解决了一般BP算法迭代速度慢,且易出现局部最优的问题,并以Al2O3陶瓷激光铣削质量预测为例,进行算法实现。仿真结果表明:提出的PSO-BP算法迭代次数大大减少,且预测误差明显减少。所构建的质量预测模型具有较高的预测精度和实用价值。     

基于神经网络的CMP过程智能R2R预测控制

针对化学机械研磨(CMP)过程非线性、时变和不易在线测量的特性,提出了基于径向基函数(RBF)神经网络和微粒群(PSO)算法的CMP过程run-to-run(R2R)预测控制器NNPR2R。首先通过样本数据用减聚类算法和最小二乘法构建CMP过程的RBF神经网络预测模型,解决了复杂CMP过程难以建立精确数学模型的难题和提高了预测模型的精度。然后通过PSO算法滚动优化求取控制律,解决了基于导数的优化技术易于陷入局部最优的问题并提高了控制精度。仿真结果表明,CMP过程NNPR2R控制器的性能优于常规的EWMA方法,有效抑制了过程漂移和减小了不同批次间产品的差异,显著降低了材料去除率(MRR)的均方根误差。     

基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。     

PM2.5测量系统中改进神经网络控制算法优化补偿

针对现阶段PM2.5测量系统的测量精度较低的问题,提出了改进的BP神经网络PID控制算法对其进行优化补偿。通过对粒子群优化算法的速度公式进行了改进,采用优化的粒子群算法优化了BP神经网络,将其用于PID的在线参数调节,以PM2.5测量系统作为研究对象,将改进的BP神经网络PID控制算法与传统PID分别作了仿真研究。研究结果表明,基于改进的粒子群优化算法改进的BP神经网络PID控制算法与传统的PID控制相比,提高了测量精度,在一定程度上减少了误差。     

基于粒子群算法的BP 神经网络在大气 NO2 浓度预测中的应用研究

NO2 是主要的大气污染气体之一, 在大气光化学过程中起着重要作用。研究 NO2 浓度的时空演变, 预测其浓 度变化趋势, 对政府出台改善环境措施具有重要意义。提出利用粒子群算法 (PSO) 的反向传播 (BP) 神经网络对大气 NO2 浓度进行预测。以合肥地区 2017 年 1 月 1 日至 2019 年 12 月 31 日的大气污染数据和气象数据为基础, 结合逐步 回归方法筛选出与 NO2 浓度相关性较大的影响因子作为输入样本。构建 PSO-BP 神经网络预测模型, 利用 PSO 找出 BP 神经网络最优的初始权值和阈值。对比 BP 神经网络、遗传算法改进的 BP 神经网络和 PSO 改进的 BP 神经网络 三种模型的预测结果, 发现 PSO-BP 模型能够较为准确地预测出 NO2 浓度的动态变化规律, 并且预测精度高、模式简 单, 有望广泛应用于大气污染物浓度预测等方面的研究。     

基于PSO-WaveNet的短期风电功率预测

为了应对风电大规模并网给电力系统带来的严峻挑战,同时提高风力发电的市场竞争力,需要对短期风电功率进行准确预测.文中将小波分析和粒子群优化理论引入神经网络——PSO-WaveNet算法.该算法构建了稳定的风电功率预测网络模型,同时利用灰色关联算法确定网络的输入参量.弥补了神经网络容易陷入局部最优值的缺陷,实验结果表明用算法进行风电功率预测提高了预测精度,验证了该混合算法的可行性.     

基于RBF神经网络的永磁同步伺服电机控制系统

针对永磁同步电机控制系统,建立其磁场定向控制数学模型。运用增量式数字PID的方法实现对PMSM的传统PID控制策略。在此基础上,借助RBF神经网络的学习能力,进行PID控制器参数的自适应整定,进一步改善PID控制器的性能。同时,为提高RBF网络性能,采用粒子群算法对网络进行优化。仿真表明,与传统PID控制比较,基于RBF的PID控制系统能提高PID控制器的性能,改善了PMSM控制系统的收敛速度和跟踪精度。