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。     

蝗虫优化相关向量机模型在径流预测中的应用

针对径流序列不稳定导致预测精度不高的问题,提出一种基于变分模态分解(VMD)和蝗虫优化算法(GOA)优化相关向量机(RVM)的组合径流预测模型。首先对原始非平稳的径流序列采用VMD得到若干个相对稳定的分量序列,再分别建立RVM预测模型,并采用GOA优化RVM中核函数的参数,最后累加所有分量的预测值得到径流序列的预测值。实例结果发现,较传统的BP神经网络、支持向量机及基于经验模态分解的支持向量机等模型,该模型预测精度更高,预测结果能为水电站的经济运行、水资源的有效利用等提供决策依据。     

基于SOA优化的光伏短期出力区间组合预测

将点值预测扩展为区间预测,利用光伏出力相似日样本中区间中点和区间半径进行预测,采用常规的BP神经网络算法、GM(1,1)灰色算法、支持向量机(SVM)算法分别预测,利用人群搜索算法(SOA)对各种区间预测的组合权值进行优化,并设定意愿系数将多目标优化转换为单目标优化.仿真结果表明,所提出的区间预测方法具有较高的预测精度...     

基于支持向量机和果蝇优化算法的循环流化床锅炉NO_x排放特性研究

为了控制循环流化床(CFB)锅炉的NOx排放量,以某热电厂300MW CFB锅炉测试数据为样本,应用支持向量机(SVM)建立NOx排放特性预测模型.针对SVM回归预测需要人为确定相关参数的不足,应用果蝇优化算法(FOA)优化SVM参数,采用不同工况下的样本数据检验FOA-SVM模型的预测性能,并将该模型的预测结果与粒子群算法(PSO)、遗传算法(GA)和万有引力搜索算法(GSA)优化的SVM模型预测结果进行了比较.结果表明:FOA-SVM模型的泛化能力较强,预测精度较高,训练时间较短,可以相对快速、准确地预测NOx排放质量浓度.     

基于布谷鸟搜索优化支持向量机的短期负荷预测

针对支持向量机(SVM)在短期负荷预测中,根据经验选取参数导致预测精度下降的问题,提出一种基于布谷鸟搜索算法(CSA)优化SVM的短期负荷预测新方法(CSA-SVM)。先以历史负荷、温度、湿度等属性构成训练样本集的输入向量作为SVM的输入,以负荷值作为输出,建立SVM预测模型;再根据训练误差,以CSA对SVM中惩罚因子和核参数进行寻优;最后,按照CSA寻优获得的最优参数建立基于CSA-SVM的预测模型并开展短期负荷预测。实际负荷数据试验显示,相较于SVM模型、粒子群(PSO)优化SVM模型、BP神经网络模型,CSA-SVM具有更高的预测精度,能够满足电力系统短期负荷预测精度需求。     

基于RVM的大坝变形监测时间序列非线性预警模型

建立合理的大坝变形预警模型对于大坝安全稳定运行意义重大。为提高预测精度,建立以相关向量机(RVM)为理论基础的时间序列非线性预警模型,采用一种精度较高的时间序列短期预测(自回归移动平均ARMA)模型修正RVM预测模型的误差序列,同时采用一种改进的粒子群算法(PSO)寻优核函数。实例验证结果表明,修正后的模型预测结果精度明显提高,可为类似工程提供参考。     

基于SAPSO-RVM的大坝变形预测模型及应用

鉴于支持向量机(SVM)存在结构稀疏化不足、缺乏概率信息等缺陷,将性能更具优势的相关向量机(RVM)理论引入到大坝变形预测的应用中。选择高斯径向基函数作为RVM模型的核函数,核参数用基于模拟退火的混合粒子群算法(SAPSO)进行寻优,进而建立SAPSO-RVM回归预测模型。实例应用结果表明,RVM模型的向量数量远小于SVM模型,在保持良好泛化能力的前提下计算结构得到简化,混合粒子群算法相较于一般粒子群算法其全局寻优能力也有所提高,SAPSO-RVM模型回归预测精度较高。     

基于PSO优化的BP神经网络在电动机绝缘剩余寿命预测中的应用

针对普通的电动机绝缘剩余寿命预测模型收敛速度慢、结果偏差大的缺陷,提出了一种基于粒子群算法(PSO)优化BP神经网络的电动机绝缘剩余寿命预测模型。首先,利用PSO算法全局随机最优解搜索的特性,对传统BP神经网络模型的权值和阈值进行优化设计。其次,为便于预测模型的运算处理,对采集的三相异步电动机的数据进行归一化处理。最后,结合经PSO算法优化的BP神经网络模型对三相异步电动机的绝缘剩余寿命进行试验预测。结果表明,基于PSO优化的BP神经网络比传统BP神经网络有更为精准的预测能力以及更快的收敛速度。     

基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

基于物理成因的中长期径流预测模型研究

可靠的中长期径流预测对水资源开发等具有重要意义。为此,筛选了影响径流的主要物理因子,引入极端梯度提升(XGBoost)算法构建中长期径流预测模型,通过纳什效率系数评价模型精度,并与多元线性回归模型(LR)、梯度提升决策树模型(GBDT)进行比较。实例应用结果表明,该模型对月径流过程的预测精度较高,训练期和验证期的纳什效率系数均值分别达到了0.9和0.7,且泛化能力优于GBDT模型和LR模型,用于中长期径流预测具有一定的可靠性和稳定性。     

基于自适应粒子群优化BP神经网络的氨法烟气脱硫效率预测

针对氨法烟气脱硫效率的预测问题,建立了以脱硫系统运行中8个主要参数作为输入变量的BP神经网络模型,采用粒子群优化算法(PSO)对建立的BP神经网络模型的权值进行优化,提出基于粒子群优化算法的BP神经网络(PSO-BP)预测新模型,并利用某电厂脱硫系统20组运行数据对该模型进行了验证.结果表明:采用PSO算法对BP神经网络的权值和阈值进行寻优,避免了网络局部极小值的出现,提高了网络的泛化能力,采用PSO-BP预测模型可以对氨法烟气脱硫效率进行较高精度的预测.     

基于PSOGRNN的我国电力消费预测

为准确预测电力消费并给电力发展规划制定提供依据,提出一种电力消费混合预测模型(PSOGRNN),将GDP、人均可支配收入和电力消费历史数据作为输入变量,运用粒子群优化(PSO)算法优化选择用于电力消费预测的广义回归神经网络(GRNN)模型参数值,以此提高模型的预测精度。实例验证结果表明,与自适应GRNN模型、DGM(1,1)模型和最小二乘线性回归模型相比,PSOGRNN模型的预测精度最高,且有效可行。     

碟式太阳能集热器出口空气温度预测研究

提出使用BP神经网络对碟式太阳能出口介质温度进行预测。为提高BP算法的预测精度,采用遗传算法优化BP神经网络模型,建立基于GABP和实际数据结合的碟式太阳能温度预测模型进行预测,并通过Matlab仿真验证了该预测模型和策略的可行性和有效性。     

基于粒子群优化算法优化BP神经网络模型的间接空冷散热器性能监测

为监测间接空冷散热器的换热性能,提出了监测间接空冷塔出水温度的方法。根据间接空冷系统散热器传热量计算和热平衡方程,分析了间接空冷塔出水温度的影响因素,建立了以环境温度、环境风速、大气压力、间接空冷塔循环水进水温度、循环水进水压力、出水压力和百叶窗开度7个主要参数为输入,出水温度为输出的BP神经网络模型。为避免该模型陷入局部最优,采用非线性动态惯性权重的粒子群优化(PSO)算法对BP神经网络模型的初始权值和阈值进行了优化,构建了PSO-BP神经网络预测模型,并根据某660MW间接空冷机组的运行数据对该模型进行了训练和验证。结果表明:采用PSO算法优化的BP神经网络模型具有较强泛化能力,预测精度高于单纯的BP神经网络模型,预测平均绝对百分比误差为0.55%。     

基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。     

基于DPBIL-SVM混合模型的电力现货市场出清价预测研究

为准确预测现货市场出清价,利用改进的基于种群增量学习的进化算法(DPBIL)对SVM参数进行优化,构建了基于DPBIL-SVM的混合预测模型,将该模型应用于挪威电力市场短期电价预测中,并与灰色GM(1,1)模型和BP人工神经网络模型进行比较。结果表明,所提模型能够将现货市场出清价预测误差控制在5%以下,合格率97%,效果优于灰色GM(1,1)模型和BP人工神经网络模型,符合现货市场实际报价的要求。     

PCA-PSO/GS-SVM组合方法在风电齿轮箱故障预测中的应用研究

在标准支持向量机(SVM)的基础上,引入主成分分析法(PCA)、粒子群算法(PSO)以及网格算法(GS),构建针对风力机故障的PCA-PSO/GS-SVM组合预测模型。相对于标准SVM,该模型采用PSO以及GS算法寻优参数,能够更准确地建立各变量间的相关关系以提高模型的预测准确性。以中国北方某风场2 MW风电齿轮箱在2017年上半年某2个月的SCADA监测数据为例进行分析。结果表明,对于以齿轮箱输出功率为例的骤变信号的预测,采用PSO算法寻优后的绝对误差均值是采用GS算法的3.0647倍,而对于以高速侧轴端温度为例的缓变信号的预测,则采用PSO算法更加合理;同时发现剔除训练样本数据中的奇异点能够有效提高模型的预测精度及其泛化能力。     

基于改进AWNN的风电功率超短期多步预测

为提高风电功率超短期多步预测精度,针对梯度修正学习算法采用随机初始化网络参数训练自适应小波神经网络(AWNN)易陷入局部最优的缺点,将粒子群(PSO)算法和差分进化(DE)算法相结合,提出利用IPSO-DE算法优化AWNN的初始化网络参数,得到改进AWNN模型(IAWNN)并将其用于风电功率超短期多步预测。仿真结果表明:IPSO-DE算法优化AWNN初始化网络参数的性能优于IPSO算法、DE算法和梯度修正学习算法,所提改进模型的多步预测性能优于AWNN模型、持续法(PM)模型和BP神经网络(BPNN)模型。     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

一种新的光伏发电预测模型设计

提出一种新的基于结合PSO(Particle Swarm Optimization)和BP(Back Propagation)神经网络的优化算法,按季节、日类型划分12个子网络组成的预测模型,并以影响发电量的关键因素太阳辐射强度、气温、历史发电量作为输入变量,预测光伏电站日发电量。预测结果显示:该预测模型能保证在日类型等条件发生转变时模型的持续有效性,预测误差均小于20%,预测精度能满足电网公司要求。