基于免疫算法优化的GA-BP网络在围岩参数反分析中的应用

针对传统BP神经网络、遗传算法在反分析应用过程中存在的问题,将基于免疫算法优化的遗传算法与BP神经网络结合起来,构建了具有更快的收敛速度和更强的全局搜索性能的GA-BP网络,根据某抽水蓄能电站地下洞室的开挖和埋深特点,选取弹性模量和侧压力系数为待反演参数并设定取值范围,以设定的反演参数值和有限元计算得出的洞室理论位移为训练样本,利用GA-BP网络训练此样本,得到洞室位移值与洞室物理力学参数之间的关系,将实测位移值输入训练好的GA-BP网络中获得参数的反演值,通过反演值计算出不同监测断面的位移值,从而验证了GA-BP网络在参数反分析中应用的准确性。     

基于BP神经网络的燃煤锅炉内H_2S质量浓度建模预测

基于BP神经网络算法和遗传算法优化的BP神经网络算法(GA-BP算法)建立了燃煤锅炉内H_2S质量浓度的预测模型,以燃烧调整试验得到的数据作为训练样本和测试样本,对所建立的H_2S质量浓度预测模型进行评价。结果表明:基于BP神经网络算法建立的H_2S质量浓度预测模型出现过拟合现象,而基于GA-BP算法建立的H_2S质量浓度预测模型具有较好的逼近能力和泛化能力,可用于锅炉内H_2S质量浓度建模预测,为运行优化和控制燃煤锅炉内H_2S质量浓度奠定了基础。     

基于GA-BP的电站锅炉NOx排放特性建模研究

NOx排放模型是电站锅炉实时控制系统的基础。针对普通BP神经网络建模方法收敛速度慢和易陷于局部极值点的问题,提出基于遗传算法（GA）优化BP神经网络的建模方法。通过电站锅炉热态试验获取样本数据,对BP网络隐节点数进行优化后,建立了GA-BP模型。相比BP神经网络模型,该模型训练时间短,拟合误差大大降低。仿真试验表明：GA-BP模型性能得到改善,泛化能力明显提高,能准确预测NOx排放。GA-BP模型可为运行人员提供指导,也可作为电站锅炉实时控制系统的基础模型。     

缸盖温度场反求方法研究

以柴油机缸盖为研究对象,在流固耦合计算缸盖温度场的基础上,探讨了应用导热反问题理论求解缸盖燃气侧传热边界的方法。开发了基于LM算法的反求程序,有效解决了算法的准确性和收敛性等问题。建立了缸盖温度场与其燃气侧传热边界的BP神经网络,利用遗传算法对该神经网络进行了优化。结果表明:优化后的网络测试样本的输出值相对误差较小,且计算得到的缸盖温度值相对误差也较小。     

基于FLAC及神经网络的初始地应力场反演

分别采用RBF网络和BP网络，利用FLAC进行正分析计算。依据测点的应力数据反演了计算区域的初始地应力场。结果表明，在样本数量相同的情况下，RBF神经网络反演分析的精度以及学习、收敛速度均优于采用BP网络的反演算法。     

基于灰色关联分析的GA-BP网络需水预测模型研究

针对城市需水预测涉及因素众多、不同地区影响因子不尽相同且多寡不一及影响因子的选择直接决定需水量预测的结果与实际是否相符等问题,提出了灰色关联分析法、遗传算法和BP神经网络相结合的需水预测模型,并以南京市为例,通过灰色关联分析法筛选出主要影响因素,采用遗传算法优化BP神经网络,构建基于灰色关联分析的GA-BP神经网络需水预测模型。实例应用结果表明,该模型用于需水预测能够比较全面地考虑需水量影响因子,与传统BP网络相比,GA-BP网络预测精度更高,训练速度更快,可作为资料时间序列较短情况下一种较好的需水预测方法。     

基于改进粒子群算法的BP神经网络在初始地应力场反演优化中的应用

为找到一种较为精确的方法反演出最接近实际情况的初始地应力场,首先对传统粒子群算法进行改进,以弥补传统粒子群算法搜索范围过于局限的缺陷,然后将改进粒子群算法与BP神经网络算法相结合,来解决BP神经网络收敛速度慢、精度不足等缺点,最后对某抽水蓄能电站初始地应力场的反演进行优化,并与BP神经网络的计算结果和实测值进行对比,发现该方法可提高优化精度。     

基于遗传算法的BP神经网络在水利定额编制中的应用

针对BP神经网络易陷入局部最优和遗传算法全局搜索速度过慢的缺点及水利定额编制中存在非线性和复杂性的实际状况,提出采用遗传算法(GA)优化BP神经网络在水利定额编制中的问题。实例分析表明,优化后模型(GA-BP神经网络)结合了BP神经网络的非线性逼近、局部寻优能力和遗传算法的全局搜索特性,在稳定性、预测精度、收敛速度上均优于BP神经网络,可运用于水利定额编制。     

基于MIV分析的GA-BP神经网络光伏短期发电预测

针对光伏发电神经网络预测模型输入变量较多,造成网络预测的稳定度与精确度不高的问题,提出一种基于改进MIV(mean impact value)算法的GA-BP神经网络光伏短期发电预测的方法。此方法结合Spearman相关系数显著性检验与利用欧式距离计算变化因子α改进的MIV分析,得到输入变量(气象因素)与输出变量(光伏发电量)的外部相关程度与内部相关程度,筛选出对输出变量相关程度最大的输入变量,利用优化的神经网络对光伏发电进行短期预测。实验结果表明,该方法的均方误差由BP、GA-BP预测网络的3.7034、1.8552减小到0.6450,提高了预测网络的稳定度与精准度。     

基于小波包特征向量弹性BP算法的故障诊断

为精确诊断转子故障,采用了基于小波包能量特征向量的弹性BP神经网络和最速下降BP算法神经网络的故障诊断方法,对采集到的信号进行3层小波包分解,构造小波包特征向量,对样本进行3层BP网络训练,实现智能化故障诊断。结果表明采用改进的BP算法优于最速下降BP算法,训练的网络可以很好地诊断转子故障。     

基于GA-BP神经网络的土壤-空气换热器换热量预测分析

文章对位于太原市一个日光温室内的土壤-空气换热器进行夏季工况试验,获得了不同运行工况下换热管内空气的温度和湿度的分布数据.试验结果表明:土壤-空气换热器具有一定的除湿效果;当换热管长度为17.2 m,换热管内空气流速为2 m/s时,土壤-空气换热器潜热换热量占全热换热量的31.37％,且潜热换热量在全热换热量中的占比随...     

基于灰色关联分析-GA-BP模型的叶绿素a含量预测

为提高水体叶绿素a预测精度和收敛速率,提出一种基于灰色关联度分析和遗传算法优化BP神经网络预测水体叶绿素a的方法。即先采用灰色关联度分析法选取合适的水质指标作为输入因子,然后优化网络隐含层的结构参数,引入遗传算法优化BP神经网络的初始权值和阈值,最后以预测太湖叶绿素a为例进行比较分析。结果表明,优化神经网络隐含层数能进一步提高网络的预测精度、缩短训练时间;灰色关联分析-GA-BP模型相较于BP、GA-BP模型具有更高的预测精度和收敛速度,可为控制水环境监测和决策平台提供科学依据。     

基于CM-AFSA-BP神经网络的土石坝渗流压力预测

针对经典BP神经网络训练效率低、易陷入局部极值等缺点,利用云模型对传统人工鱼群算法(AFSA)进行改进,并采用改进后的云人工鱼群算法(CM-AFSA)对BP神经网络的权值和阈值进行优化,构建基于CM-AFSA-BP神经网络的预测模型。以某土石坝测压管水位为指标,利用CM-AFSA-BP神经网络预测模型对其渗流压力进行预测,并与同结构的经典BP神经网络预测结果进行对比分析。结果表明,CM-AFSA-BP神经网络模型在训练速度和预测精度上明显更优,在土石坝渗流压力预测和分析方面具有较好的适应性。     

基于MI时序处理的GA-BP脱硫制浆系统能耗建模

  [目的]  石灰石—石膏湿法脱硫是目前燃煤电厂应用最广泛、技术最为成熟的一种烟气脱硫技术,石灰石浆液制备作为其中一道高耗能工序,具有生产过程复杂,物耗与能耗间存在非线性关系等特点,缺乏合理有效的能耗模型。为建立能够对生产参数优化提供指导的可靠的制浆系统能耗模型。  [方法]  基于某600 MW电厂实际运行数据,选择生产过程中的可控制量作为输入,并基于互信息(Mutual Information)理论调整各输入变量间的时滞关系,采用结合遗传算法(Genetic algorithm,GA)的改进BP神经网络建立了制浆系统的单位制浆能耗模型。  [结果]  试验结果表明:与未调整时序的GA-BP模型和标准BP算法的模型相比,经过时序调整的GA-BP模型的计算结果能够更为准确地接近制浆系统生产实际数据。  [结论]  所建立的模型可以应用到浆液制备过程的能耗优化研究中。     

基于CA-SE-GA-BP的光伏发电功率预测

针对光伏发电功率预测精度低的问题,以澳大利亚爱丽丝泉地区某200kW的光伏电站为例,选用遗传算法(GA)优化BP神经网络,采用相关性分析法(CA)确定太阳辐照度、温度、湿度为影响光伏发电功率的主要因子,结合经样本熵(SE)量化的天气类型作为模型输入量,提出CA-SE-GA-BP神经网络的光伏发电功率预测模型。结果表明,多云天气下CA-SE-GA-BP神经网络均方根误差、平均绝对百分比误差分别为4.48%、2.27%,晴天、雾霾、雨天三种天气类型下的预测误差也基本上不超过10%,相较于SE-GA-BP、CA-GA-BP、GA-BP神经网络,CA-SE-GA-BP神经网络预测误差降低,为解决光伏系统发电功率预测提供了一种高效准确可行的方法。     

基于萤火虫算法的大坝安全监控BP网络模型及其应用

为改善大坝安全监控BP神经网络模型易陷入局部极值的问题,引入萤火虫算法,用来获取BP神经网络的连接权值和阈值的初始值。依据大坝安全监测数据,借助改进后的BP神经网络,实现大坝安全监控模型的构建和安全状况预测。实例验证结果表明,改进模型较常规BP神经网络模型的训练效果更稳定,预测精度更高。该方法具有一定的实用价值。     

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。