Levy-CPSO-GA算法在空调冷负荷预测模型LSTM中的应用

针对单一算法优化空调冷负荷模型参数存在的局限性及对预测精度的需求，本文提出了基于遗传算法(genetic algorithm, GA)进化、莱维飞行(Levy)及粒子群(particle swarm optimization, PSO)优化算法的协同并行混合算法Levy-CPSO-GA。将初始种群初始化为2个同规模种群，分别按照合作机制和竞争机制并行更新，种群1采用Levy飞行产生随机新巢方式自适应初始化PSO,同时引入迭代极值，记录粒子群的信息交换；种群2按照GA更新，种群间通过适应度交流，以最优适应度更新群体，将混合算法应用于优化长短期预测模型(long short-term memory, LSTM),并将结果与各预测算法进行比较。研究结果表明，优化后的预测模型，预测精度大幅提高，与ELM相比，RMSE降低了81.1%;与LSTM模型相比，误差显著降低，RMSE降低了26.4%,在第105个预测点处，该预测模型的绝对误差为-0.682 9,相比于ELM的绝对误差值-7.313 5,其精度提高了90.66%,预测性能优于其他算法。该研究对准确预测冷负荷具有重要意义。     

基于正态分布衰减惯性权重的粒子群优化算法

针对粒子群优化(particle swarm optimization,PSO)算法无法在提高收敛速度的同时避免早熟的缺陷,提出基于正态分布衰减惯性权重粒子群优化(normal distribution decay inertial weight particle swarm optimization,NDPSO)算法.以正态分布曲线作为惯性权重的衰减策略曲线,通过引入控制因子对粒子的位置进行改善,使得NDPSO算法能很好的在优化过程中平衡全局搜索和局部搜索能力.使用8个标准函数测试分别对粒子群优化(particle swarm optimization,PSO)、线性权重衰减粒子群优化(linear decay inertial weight particle swarm optimization,LDWPSO)、指数权重衰减粒子群优化(exponential decay weight particle swarm optimization,EXPPSO)、收缩因子粒子群优化(constriction factor particle swarm optimization,CFPSO)、高斯分布衰减惯性权重粒子群优化(Gaussian decay inertial weight particle swarm optimization,GDIWPSO)、基于动态加速度系数的粒子群优化(particle swarm optimization based on dynamic acceleration coefficients,PSO-DAC)、性权重自适应粒子群优化(inertia weight adaptive particle swarm optimization,简称PSO-LH)算法以及NDPSO算法进行仿真,分析他们的收敛速度和收敛精度.结果表明,NDPSO算法不管在单峰函数问题还是多峰函数问题上,总体性能都优于其他算法.     

基于PSO-DNN的电力系统短期负荷预测模型研究

为准确有效的预测电力系统负荷值,本文提出了基于粒子群算法(particle swarm optimization,PSO)优化深度神经网络(deep neural network,DNN)的电力系统短期负荷预测模型。DNN通过增加网络的前馈联接,利用多层隐含层对原始输入数据进行多次非线性映射变换,增强各隐层间的信息交换,有效解决传统神经网络易陷入局部极小值等问题。同时利用PSO优化DNN的隐含层结构和权值,通过迭代更新粒子状态确认网络最优参数,提高了模型的预测精度及稳定性。为研究DNN的预测性能,通过实际算例对所提出的预测模型与传统的BP-NN和RBF-NN预测模型进行比较分析。分析结果表明,PSO-DNN预测模型工作日预测误差分别降低了1.16%和1.04%;休息日预测误差分别降低了1.18%和1.07%,预测精度显著提高。该模型具有一定的可行性和实用性。     

A new support vector machine optimized by improved particle swarm optimization and its application

A new support vector machine （SVM） optimized by an improved particle swarm optimization （PSO） combined with simulated annealing algorithm （SA） was proposed. By incorporating with the simulated annealing method, the global searching capacity of the particle swarm optimization（SAPSO） was enchanced, and the searching capacity of the particle swarm optimization was studied. Then, the improyed particle swarm optimization algorithm was used to optimize the parameters of SVM （c,σ and ε）. Based on the operational data provided by a regional power grid in north China, the method was used in the actual short term load forecasting. The results show that compared to the PSO-SVM and the traditional SVM, the average time of the proposed method in the experimental process reduces by 11.6 s and 31.1 s, and the precision of the proposed method increases by 1.24% and 3.18%, respectively. So, the improved method is better than the PSO-SVM and the traditional SVM.     

融合PSO算法思想的进化算法

粒子群算法(particle swarm optimization,PSO)是仿真于生物群体的社会行为的一种智能优化算法,其原始形式难以体现数学的直观性和本质性。然而,在简化算法原始模型的基础上,PSO算法的理论分析得到其数学模型,并且说明了其是一个迭代进化系统。利用PSO算法的数学模型代替标准PSO算法速度及位置的迭代公式,并选择适当的参数,从而构造了一种新的进化算法。新的进化算法形式更能直接体现PSO算法的数学思想。经仿真试验表明,新的进化算法效果不差于标准PSO算法,并且参数少且容易分析。     

基于图像质量分析的PM_(2.5)空气质量预测

为了提高空气污染物PM_(2.5)质量浓度预测的准确性,提出了一种基于图像数据预测PM_(2.5)质量浓度的方法.首先用手机或相机获取图像数据,然后用图像质量分析模型提取与PM_(2.5)质量浓度相关的特征向量作为输入,建立一个基于粒子群优化(particle swarm optimization,PSO)算法的支持向量回归机(support vector regression, SVR)(PSO-SVR)预测模型来估计PM_(2.5)的质量浓度.实验结果表明,与SVR模型和用遗传算法(genetic algorithm, GA)优化的支持向量回归机(GA-SVR)模型相比,PSO-SVR模型在预测准确性和实施效率方面具有更好的预测性能.     

改进粒子群算法优化的支持向量机及其应用

传统粒子群优化(particle swarm optimization,PSO)算法主要包含两方面问题,即易陷入局部极小和后期震荡严重,为此引入混沌序列来初始化粒子群的位置,并在简化的粒子群数学模型上从两个方面对其进行了改进。本文利用改进的PSO算法对支持向量机(support vector machine,SVM)的参数进行优化,仿真实验结果表明:与SVM、PSO-SVM以及遗传算法(genetic algorithm,GA)优化的SVM(GA-SVM)相比,改进PSO优化的SVM(IPSOSVM)算法具有较高的分类准确率,并且与PSO-SVM算法相比,准确率提高了3%~5%,与PSO-SVM算法以及GASVM算法相比,IPSO-SVM的训练和泛化速度都明显提高。本文将IPSO-SVM算法应用到遥感影像的分类中,分类结果表明,与PSO-SVM算法相比,IPSO-SVM算法具有更好的分类结果。     

基于改进粒子群寻优的数据中心精密空调无模型自适应预测控制

为实现数据中心热通道温度的精确控制，减少由于温度控制方式粗放造成的能源浪费，提出一种基于改进粒子群寻优(improved particle swarm optimization, IPSO)算法的数据中心精密空调无模型自适应预测控制(model free adaptive predictive control, MFAPC)方法.首先，考虑到MFAPC控制器参数空间大以及数据中心被控系统的动态复杂性，对粒子群寻优(particle swarm optimization, PSO)算法的惯性权值进行变权改进，从而提高PSO算法的前期探索和后期挖掘能力，最终获得最优控制器参数.然后，由于数据中心存在冷通道温度和风量的限制，因此将控制量约束问题转化为二次规划约束问题，并利用IPSO算法实现MFAPC控制器的每一控制步参数最优化，使得MFAPC输出的每一步控制量都是当前系统状态下的最优控制量.最后，基于北京市某数据中心现场数据，通过控制数据中心机房热通道温度预测模型对所提方法进行验证.带控制量约束IPSO-MFAPC方法在总体控制误差、超调量、快速性上都极大地优于MFAPC控制器.结果表明该文...     

IPSO—BP算法在半主动悬架控制中的应用

为了改善半主动悬架的性能,提出采用改进的粒子群优化(improved particle swarm optimization,IPSO)-向后传播(back propagation,BP)算法作为半主动悬架自适应控制,该算法将标准粒子群算法进行改进,用以改善粒子群全局收敛性和收敛速度,并将改进后的IPSO算法作为BP神经网络的学习算法,用于半主动悬架的自适应控制.自适应控制器采用了双神经网络单元结构,一个作为输入端的控制器,根据路面输入调节半主动悬架阻尼值,另一个作为半主动悬架的辨识器,并进行在线识别.通过该控制器进行半主动悬架自适应控制数值仿真,结果表明,基于该算法的控制器明显改善了汽车的舒适性和平顺性,使得车身的垂向加速度比粒子群优化(particle swarm optimization,PSO)-BP半主动悬架的降低了21.73%,提高了汽车悬架的性能.     

基于遗传粒子群优化算法的认知无线电系统功率分配

考虑授权用户的干扰功率阈值和认知用户的信干噪比(Signal to interference plus noise ratio,SINR)要求,提出了一种基于遗传思想的粒子群优化(Genetic particle swarm optimization,GPSO)算法,研究认知用户发射功率最小化的问题。GPSO算法在适应度值计算、速度更新和位置更新阶段引入选择、交叉和变异操作。仿真结果表明,与拉格朗日乘子法和粒子群优化(Particle swarm optimization,PSO)算法相比,GPSO算法降低了发射功率并获得了更高的SINR。     

基于脊波递归神经网络的短期负荷预测模型

为准确有效地预测电力系统负荷,本文提出了一种基于脊波递归神经网络(ridgelet recurrent neural network,RRNN)的电力系统短期负荷预测模型。采用脊波函数作为预测模型隐含层神经元中的激励函数,在网络模型的内部加入关联层,关联层节点可有效存储隐含层神经元的内部状态,增强了网络模型的反馈联接,并采用粒子群优化算法(particle swarm optimization,PSO)对网络的参数和权值进行优化,避免模型出现陷入局部最优解的问题。以某地区电网负荷系统作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络和常规脊波神经网络预测模型相比,本文所提出的预测模型的日平均绝对误差和日最大绝对误差均有所降低,具有较好的预测性能。该研究具有一定的实际应用价值。     

一种基于微粒群思想的蚁群参数自适应优化算法

利用微粒群优化(particle swarm optimization,PSO)思想对蚁群优化(ant colony optimization,ACO)算法的参数取值进行优化选择。通过微粒群粒子搜索,自适应选取参数值的优质组合,使ACO算法的参数取值不必依靠人工经验或反复试验。经过该算法求取的参数组合显著提高了ACO算法的优化性能,并且参数的取值具有连续性,随机性和精确性。利用这种算法获得的参数值的优质组合反馈回ACO算法中,在解决货郎问题(traveling sales-man problem,TSP)时具有优异的效果。     

源网协调的电力系统均匀性规划

针对大量分布式电源分散接入电网的背景下,电源、电网规划面临的问题,提出电源与电网协调均匀规划的概念。在考虑电源、电网扩建成本作为基础目标的前提下,将输电线路负载率标准差作为均匀性指标嵌入到目标函数中,建立电源、电网扩展规划的优化模型。结合粒子群优化算法(particle swarm optimization algorithm, PSO)与遗传算法(genetic algorithm, GA)的优点以及模型的特点,提出改进的结合粒子群优化-遗传混合算法对模型进行求解。基于IEEE Garver-6系统进行算例分析,验证了该模型的有效性。     

基于粒子群算法的Universum SVM参数选择

分类器的模型参数对分类结果有直接影响.针对引入无关样本的Universum SVM算法中模型参数选择问题,采用粒子群优化(particle swarm optimization,PSO)算法对其进行优化.该方法概念简单、计算效率高且受问题维数变化的影响较小,可实现对多个参数同时优选.此外,在PSO中粒子适应度函数的选择是一个关键问题.考虑k遍交叉验证法的估计无偏性,利用交叉验证误差作为评价粒子优劣的适应值.通过舌象样本数据实验,对参数优选前后测试样本识别正确率进行比较,实验结果验证了该算法的有效性.     

基于元优化的KNN入侵检测模型

为了改善基于K-近邻(K-nearest neighbor,KNN)入侵检测模型的性能,提出一种基于局部搜索算法的元优化特征权重KNN入侵检测模型。利用差分进化算法优化特征权重,采用基于局部单峰采样(local unimodal sampling,LUS)的元优化模型对差分进化算法进行优化。应用NSL数据集进行仿真实验,将本优化模型和其他常用智能启发算法,包括遗传算法(genetic algorithm,GA)、粒子群优化(particle swarm optimization,PSO)算法和灰狼优化(grey wolf optimization,GWO)算法进行比较。实验结果表明,与传统KNN算法模型相比,该模型的准确率提高了2. 86%,检测率提高了3. 18%,误报率降低了50%,而且基于元优化的优化策略优于其他常用优化算法。     

基于改进支持向量机的压裂效果预测方法研究

将支持向量机SVM与遗传算法GA、粒子群算法PSO相结合,建立了基于改进支持向量机的压裂效果预测模型。该模型分别利用GA、PSO对SVM参数进行全局寻优,提高了SVM算法的预测精度和运行速度。实验结果表明,该模型明显优于其他主要非线性预测方法,为快速准确地预测压裂效果提供了新的方法和途径。     

基于PSO优化BP神经网络的光伏发电量预测

为了实现对光伏发电量的预测,降低光伏并网的不利影响,通过建立粒子群算法(Particle Swarm Optimization,PSO)优化的前馈神经网络光伏系统发电预测模型,进行光伏发电量的预测。该模型采用粒子群优化算法来优化神经网络内部权重和阈值,不仅收敛快,而且不易陷入局部极值,具有较强的泛化能力。以天气参数和光伏发电历史数据作为样本,比较了该模型与未经优化神经网络模型的预测效果。结果表明,经PSO优化的神经网络模型预测精度更高,预测性能更好。     

基于PSO-WNN模型的超短期风速预测及其误差校正

小波神经网络(wavelet neural network,WNN)具有多分辨率局部时频特性,在风速预测中得到了广泛应用,但模型参数的优化选择是一难点,为此提出一种基于PSO(粒子群算法)-WNN的超短期风速预测模型。引入粒子位置变化量与二阶振荡环节改进粒子群算法,以平衡粒子群的全局搜索能力和局部改良能力;采用改进的粒子群算法优化WNN模型参数,进而对风速进行超短期预测;为进一步减小预测误差,分析风速预测的模型误差及其相关因素,并采用一阶线性回归法进行误差校正。算例表明,所提PSO-WNN预测模型及误差校正措施能够有效提高风速预测模型的泛化性能和预测精度。     

基于粒子群算法优化参数的VMD-GRU短期电力负荷预测模型

为了更有效提取电力负荷数据中的特征信息，从原始含噪声较多的负荷序列中提取包含丰富特征信息的信号分量，提高电力负荷预测精度。针对变分模态分解(variational mode decomposition, VMD)参数设定经验与主观性较强，提出一种基于粒子群算法(particle swarm algorithm, PSO)优化参数的变分模态分解和门控循环单元(gated recurrent unit, GRU)的组合模型短期电力负荷预测方法，先通过粒子群算法对VMD最佳影响参数组合进行搜寻，得到最佳效果的分解子序列，减少不同趋势信息对预测精度影响。然后运用GRU网络，针对各子序列分量建立基于GRU的预测模型。最后叠加各子序列预测结果得到短期电力负荷的最终预测值。实验结果表明，相对于相对于BP神经网络(Back Propagation Neural Network)、支持向量机(support vector machine, SVM)、GRU模型和EMD-GRU模型以及未经优化VMD-GRU模型，此模型具有更高的负荷预测精度。     

应用PSO和SVM的水下航行器黑箱建模

随着新型水下航行器不断涌现,现有水下航行器数学模型已难以与实际模型吻合.为更好了解新型水下航行器实际模型以及预测新型水下航行器运动,提出应用粒子群(particle swarm optimization,PSO)参数寻优和支持向量机(support vector machine,SVM)的水下航行器黑箱建模方法.首先根据水下航行器的运动状态信息和推进器力,应用支持向量机构造出之间的非线性映射关系,然后通过粒子群智能优化算法获得支持向量机的最佳参数组合,进而实现水下航行器的黑箱建模,最后根据推进器力是否时变,分别以新型四旋翼水下航行器的两种空间运动进行实验验证,并以均方根误差作为空间运动预测结果的评价标准.试验结果表明,基于粒子群参数寻优和支持向量机所构建的水下航行器黑箱模型对空间运动预测具有较小的均方根误差,空间运动预测结果与实际运动基本一致,所建黑箱模型与实际模型基本吻合,能有效预测水下航行器运动状态.