基于深度学习的商品销售预测研究

文章基于深度学习方法,通过结合粒子群优化(Particle Swarm Optimization,PSO)和长短期记忆(Long Short Term Memory,LSTM)网络,提出了一种针对大数据的商品销售预测模型。文章首先分析了LSTM的结构,其次分析了PSO方法对LSTM的优化方式,提出了PSO-LSTM商品销量预测模型,最后使用Kaggle上的数据集进行训练和测试。将所提出的模型与标准LSTM模型进行比较,结果表明,所提方法的预测精度和稳定性均优于标准LSTM方法。     

基于PSO-CNN-LSTM的短期热负荷预测模型

为提高短期供热负荷预测精度,减少供热不均与供需失调所造成的能源浪费,提出一种基于粒子群(Particle swarm optimization, PSO)、经验模态分解(Empirical Mode Decomposition, EMD)、卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆神经网络(Long Short Term Memory Network, LSTM)的混合预测模型。首先,针对供热负荷呈现非线性、复杂性等特点,采用EMD对供热负荷分解,从而实现弱化供热负荷复杂程度;其次,分别运用CNN与LSTM提取供热负荷空间特征与时域特征;最后,结合PSO算法对LSTM网络的超参数进行调整,寻找出最优参数。实验表明,结合EMD分解的PSO-CNN-LSTM网络相比LSTM、CNN-LSTM、EMD-CNN-LSTM平均误差分别降低了44%、34%、24%、21%,拥有更高的预测精度和拟合效果。所提模型为集中供热负荷预测提供了一种新的思路,对于制定集中供热能源分配提供了参考意义。     

基于高斯变异粒子群优化的短期负荷预测

针对现有短时预测方法精度不高及电网负荷数据不确定性变化的问题，提出一种基于高斯变异粒子群优化(GPSO)的长短时记忆神经网络(LSTM)负荷预测模型，实现对短时负荷数据的高精度预测。方案首先对负荷序列数据进行预处理，提升数据之间的相关性。进一步引入非线性惯性权重加速粒子收敛速度，同时结合自适应高斯变异操作减小粒子陷入局部最优的风险，从而提升了PSO算法的寻优能力。实验结果证明，改进的粒子群优化算法能够提升LSTM模型的预测性能，验证了提出方法的有效性。与已有的预测模型相比，GPSO-LSTM模型有着更优的预测能力。     

基于CNN-LSTM及深度学习的风电场时空组合预测模型

为了更好地预测风电场的风电功率,提取风电场相邻站点之间时空信息和潜在联系,提出了一种基于卷积神经网络(CNN)、互信息(mutual information, MI)法、长短时记忆网络(LSTM)、注意力机制(AT)和粒子群优化(PSO)的短期风电场预测模型(MI-CNN-ALSTM-PSO)。CNN用于提取不同站点的空间特征,LSTM则用于获取多个站点的风电数据的时间依赖信息,据此设计CNN-LSTM时空预测模型,并结合深度学习算法,如MI特征选择、 AT注意力机制、 PSO参数优化,对模型进一步改进。通过两个海岛风电场的实验数据分析可知,所提模型具有最优的统计误差,CNN-LSTM模型可以高效提取风电场时空信息并进行时间序列预测,而结合深度学习算法(MI、 AT和PSO)后的组合模型能进一步提高风电功率预测精度和稳定性。     

基于LSTM-XGBoost的短期电力负荷预测研究

随着电力系统的快速发展,针对短期电力负荷预测的人工智能方法研究已经取得了显著成就。由于长短期记忆(LSTM)神经网络能够拟合电力负荷数据时序性和非线性的特点,基于LSTM的短期电力负荷预测效果显著。但基于LSTM的预测方法存在预测精度低、泛化能力差等问题。为此,利用贝叶斯优化后的极限梯度提升(XGBoost)集成学习方法训练得到多个LSTM的强预测模型,提出基于LSTM-XGBoost的短期电力负荷预测的方法,并采用宁夏地区的电力数据进行算例分析。试验结果表明,对比基于LSTM和基于粒子群优化(PSO)-反向传播(BP)的短期电力负荷预测方法,基于LSTM-XGBoost的短期电力负荷模型预测精度、稳定性更高。该方法对于电力系统智能化发展有一定的应用价值。     

一种改进的双转式永磁无刷直流电动机PSO优化控制方法

研究了使用改进的PSO(Particle swarm optimization,粒子群优化)算法与PID控制器相结合实现对双转式永磁无刷直流电动机(PMBLDCM)进行控制的方法;针对传统PID调节器控制精度不高和鲁棒性差的缺点,提出了一种结合PSO优化算法和传统PID控制的新控制器;首先建立PMBLDCM的动力学模型,通过引入改进的PSO优化算法,提出了一种使用PSO优化PID控制器参数的模型,并定义了使用PSO优化PID控制器3个比例参数的具体算法;最后,使用Matlab/Simulink对PMBLDCM控制实例进行了仿真;空载和负载两种情况下的仿真结果表明:新的控制方法克服了PID控制器的不足,具有控制精度高、响应速度快、速度跟随准确等优点。     

基于粒子群优化算法的Richards模型参数估计和算法有效性

针对Richards模型参数估计较为困难的实际问题,提出将Richards模型的参数估计问题转化为一个多维无约束函数优化问题。结合谷氨酸菌体的实际生长浓度数据,在Matlab 2012b环境中,利用粒子群优化（PSO）算法建立适应度函数,在最小线性二乘意义下估计Richards模型中的4个参数,并建立了拟合的生长曲线和最优值变化曲线。为进一步验证算法有效性,将PSO算法与该模型传统参数估计法中的四点法和遗传算法(GA)进行了比较,以相关指数和剩余标准差作为评价指标。结果表明,PSO算法对Richards模型的拟合效果良好,对模型的参数估计有着很好的适用性。     

基于种群规模动态减小的混合微粒群优化算法研究

针对基本微粒群优化(PSO,particle swarm optimization)算法存在早熟、易陷入局部极值等缺点,提出了一种改进的PSO优化算法。该算法分为全局搜索和局部搜索两个阶段。在全局搜索阶段采用基本PSO算法快速收缩搜索范围;在局部搜索阶段将PSO算法与模拟退火(SA,simulated annealing)算法结合,通过产生部分变异微粒确保算法能够跳出局部极值。同时为提高搜索效率,动态地减少种群规模。仿真结果表明,该算法具有较好的优化性能以及较高的执行效率。     

基于CNN-LSTM-PSO的私有云故障检测

有效对私有云系统进行故障检测对于保障IT系统稳定性及开展可靠性信息活动具有重要的实际意义。为此从私有云系统的历史趋势数据出发,将卷积网络(CNN)和长短期记忆(LSTM)循环神经网络结合,提出了基于粒子群优化算法(PSO)的CNN-LSTM-PSO的混合模型,实现对私有云的故障检测。采用X11算法等技术对数据进行预处理,使用CNN网络提取监控指标时序数据的相关特征信息,并通过训练LSTM网络参数建立CNN-LSTM预测模型,设计了PSO算法对预测模型进行参数选优,减小预测误差,并以高斯正态分布确定阈值范围,实现故障的精准检测。通过和传统单一预测模型以及现有的一些组合预测模型的对比,CNN-LSTM-PSO模型预测后结果的均方根误差、平均绝对误差和平均百分比误差都低于其余模型。实验结果验证了模型在预测效果上具备更高的精度和更快的预测速度,在私有云的故障检测中精确性和实时性都具有良好效果。     

基于微粒群优化的序贯二次规划方法

文章针对约束非线性优化问题,将微粒群优化算法(PSO)和序贯二次规划(SQP)算法结合起来,提出了一种解决此类问题的有效算法。PSO可以看作是全局搜索器,而SQP则主要执行局部搜索。对于那些具有多个局部极值点的优化问题,大大增加了获得全局极值点的几率。由于PSO具有快速全局收敛的特点,同时SQP的局部搜索能力很强,所以所提算法可以快速获得全局最优值。将基于PSO的序贯二次规划算法在两个标准优化问题上进行仿真,结果证明与标准的PSO和SQP相比,算法具有明显的优越性。     

改进PSO优化参数的LSSVM燃煤锅炉Nox排放预测

为了提高燃煤锅炉NOX排放浓度预测的准确度,更好地进行氮氧化物的污染监测,提出了一种结合最小二乘支持向量机(Least squares support vector machines,LSSVM)和改进的粒子群优化算法(Particle swarm optimization,PSO)的预测方法。依据LSSVM预测原理及其参数选择的不确定性,采用一种改进的PSO优化算法对模型参数进行寻优,建立锅炉燃烧NOX排放特性模型,并与另两种方法结果进行比较。结果表明:LSSVM是一种有效的建模方法,有较高的拟合度;改进的PSO与LSSVM结合可改善模型的预测精度和泛化能力,在NOX排放浓度预测方面明显优于其他两种参数优化算法,对NOX排放预测有指导意义。     

基于SFLA-CNN和LSTM组合模型的水位预测

水文时间序列受降雨量的影响,在变化规律上呈现季节性、非线性的特点.传统单一模型结构简单,对于复杂的非线性水文时间序列具有预测精度较低、不能很好捕捉水文时间序列的复合特征的问题.组合预测模型采用多分类器的思想,能够有效地提高预测准确度,然而在模型参数选择方面需要手工调参,花费时间多且不准确.本文提出一种基于SFLA-CN...     

基于ARIMA和LSTM混合模型的时间序列预测

由于现实中的时间序列通常同时具有线性和非线性特征,传统ARIMA模型在时间序列建模中常表现出一定局限性.对此,提出基于ARIMA和LSTM混合模型进行时间序列预测.应用线性ARIMA模型进行时间序列预测,用支持向量回归(SVR)模型对误差序列进行预测,采用深度LSTM模型对ARIMA模型和SVR模型的预测结果组合,并将...     

Prediction interval of wind power using parameter optimized Beta distribution based LSTM model

Prediction interval of wind power (PIWP) is crucial to assessing the economic and safe operation of the wind turbine and providing support for analysis of the stability of power systems. The hybrid model (Beta-PSO-LSTM) of long short-term memory (LSTM) neural network and Beta distribution function based particle swarm optimization (PSO) is put forward for prediction interval of wind power. In order to enhance the performance of the Beta-PSO-LSTM for PIWP in training process, wind power series are divided into different power intervals, and then the Beta-PSO-LSTM is used to estimate each power interval of the original wind power series. Furthermore, based on the analysis of the interval forecasting error information in wind power training data set, Beta distribution model is proposed to get better PIWP, and PSO is used to optimize the parameters of the model. Finally, the proposed Beta-PSO-LSTM model is compared with the Beta distribution optimized by PSO based the BP neural network (Beta-PSO-BP), the normal distribution based LSTM neural network (Norm-LSTM), Beta distribution based LSTM neural network (Beta-LSTM), and Beta distribution optimized by iterative method based LSTM neural network (Beta-IM-LSTM) for PIWP. The simulation results show that the PIWP obtained by the Beta-PSO-LSTM model has higher reliability and narrower interval bandwidth, which can provide decision support for the safe and stable operation of power systems.     

支持向量机与神经网络相结合的板带凸度预测

为提高热轧生产过程中板带凸度的预测精度,提出了一种将粒子群优化算法(particle swarm optimization, PSO)、支持向量回归(support vector regression, SVR)和BP神经网络(back propagation neural network, BPNN)相结合的板带凸度预测模型。采用PSO算法优化SVR模型的参数,建立了PSO-SVR板带凸度预测模型,提出采用BPNN建立板带凸度偏差模型与PSO-SVR板带凸度模型相结合的方法对板带凸度进行预测。采用现场数据对模型的预测精度进行验证,并采用统计指标评价模型的综合性能。仿真结果表明,与PSO-SVR、SVR、BPNN和GA-SVR模型进行比较,PSO-SVR+BPNN模型具有较高的学习能力和泛化能力,并且比GA-SVR模型运算时间短。     

Time series prediction using PSO-optimized neural network and hybrid feature selection algorithm for IEEE load data

Artificial neural networks have been widely used in time series prediction. In this paper, multi-layer feedforward neural networks with optimized structures, using particle swarm optimization (PSO) algorithm, are used for hourly load prediction based on load time series of IEEE Reliability Test System. To have a small and appropriate feature subset, a hybrid method is used for feature selection in this paper. This hybrid method uses the combination of genetic algorithm (GA) and ant colony optimization (ACO) algorithm. The season, day of the week, time of the day and history load are considered as load influencing factors in this study based on the mentioned standard load dataset. The optimized number of neurons in the hidden layers of multi-layer perceptron (MLP) is determined using PSO algorithm. Experimental results show that the proposed hybrid model offers superior performance, in terms of mean absolute percentage error (MAPE), in time series prediction as compared to some recent researches in this field.     

差分进化粒子群混合优化算法的研究与应用

对基本粒子群算法（PSO）和差分进化算法（DE）进行了分析,有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。对4个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO和DE。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能较好。     

粒子群算法优化BP神经网络的粉尘浓度预测

对综采工作面粉尘浓度预测的方法是建立BP神经网络预测模型.为了提高算法的拟合能力及预测的准确度,使用粒子群算法对目标函数进行改进,即将粒子群算法寻到的最优权值和阈值应用于神经网络预测模型求综采工作面粉尘浓度.比较分析新的预测模型与常用的灰色模型以及标准的BP神经网络算法,结果表明粒子群优化的神经网络算法的拟合能力和预测的准确率显著提高.