基于改进PSO的神经网络短期电力负荷预测模型

针对短期电力负荷预测问题,提出了一种基于改进粒子群算法(PSO)的BP神经网络预测模型.选取与电力负荷大小密切相关的季节、天气情况、当天最高温度、当天最低温度、日期性质、上年同期历史数据为神经网络的输入变量,电力负荷大小为输出变量,建立基于BP神经网络的电力负荷预测模型,同时利用改进的粒子群算法对神经网络进行训练.该训练算法具有较高的精度,能够建立较精确的短期电力负荷测量模型.仿真结果表明,基于改进粒子群算法的BP神经网络电力负荷预测模型预测精度较高,具有一定的应用价值.     

改进PSO-BPNN的电力变压器故障诊断与模式识别

为了优化反向传播网络相关学习参数,提出一种粒子群优化辅助BP神经网络(BPNN)的新方法.以变压器油中气体体积分数百分比构造故障特征,将BP网络的初始权值和阈值进行实数编码,以对应PSO中的粒子,实现BP网络的离线训练与在线分析,对变压器故障模式做出判断.结果表明,该算法更合理地更新了粒子的位置和速度,最优地设置了全局极值,有效克服了粒子的早熟收敛,获得的故障诊断准确率高达91%,并大大提升了BP网络的收敛速度.该算法为此类设计提供了有效的模型参考.     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

基于改进粒子群优化的神经网络及应用

为了克服粒子群算法的早熟收敛,提出了一种改进的粒子群算法用于神经网络训练。该算法对种群进行均匀初始化,用多个粒子的信息引导个体的更新,以保证全局搜索的有效性,同时引入随机算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。将改进粒子群算法训练的神经网络应用于IRIS模式分类问题和短期电力负荷预测,与BP算法、遗传算法及粒子群算法比较,该算法在提高误差精度的同时可加快训练收敛的速度。     

基于ANN-PSO的造球机故障诊断

对机械设备的监控和故障诊断是重要而困难的, 神经网络能够用来榆测设备故障, 但其训练方法容易陷入局部最优.粒子群算法具有全局搜索能力, 将免疫系统中的抗体抑制机理引入粒子群算法以保持粒子多样性, 采用免疫粒子群算法(ImPso)与LM(Ievenberg-marguardt)算法, 结合训练前向神经网络.计算机仿真结果显示, 训练后的网络性能优于使用一般BP算法训练的网络, 将其应用于造球机故障诊断的准确度高于单纯BP算法训练的网络.     

基于粒子群的BP神经网络算法在猪等级评定中的应用

现有的在猪等级评定中应用的BP神经网络算法存在对初始权值敏感、易陷入局部最小值等缺陷,从而导致预测精度不高、收敛速度慢的状况。针对该问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法。先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型。与传统BP神经网络相比,该方法预测精度高、收敛速度快,可以有效地运用到猪等级评定中。     

改进人工鱼群算法优化小波神经网络的变压器故障诊断

针对油浸式变压器故障类型的复杂难辨,结合油中气体分析法,提出一种基于改进人工鱼群算法优化小波神经网络的故障诊断模型。基于经典三层小波神经网络,采用粒子化的人工鱼群算法对小波神经网络输入和输出层的权值、小波神经元的伸缩和平移系数进行修正,通过引入动态反向学习策略实时优化人工鱼分布,迭代后半程采用基于柯西分布的自适应人工鱼视野范围提高算法精度。结果表明,该改进鱼群算法优化的小波神经网络相比标准粒子群算法优化小波神经网络和标准鱼群算法优化小波神经网络,诊断速度更快,准确率更高。     

粒子群优化粒子滤波算法及其在循环流化床床温辨识中的应用

在基于现场数据的神经网络训练中,粒子滤波算法对非线性、非高斯噪声系统的适应性及全局寻优能力都优于传统BP算法。针对粒子滤波算法的粒子贫乏以及初始状态未知时需要大量粒子才能进行鲁棒状态预估等问题,将粒子群优化思想引入粒子滤波过程,使粒子在权重更新前更加趋向于高似然区域;同时,优化过程使得远离真实状态的粒子趋向于真实状态出现概率较大的区域,提高了每个粒子的作用效果。将优化前后的粒子滤波算法训练2-1-1结构的神经网络并进行比较,结果表明优化算法提高了神经网络模型预测精度,降低了精确预估所需粒子数。最后,应用该算法对基于现场数据的循环流化床床温神经网络模型进行训练并预测,验证了算法的有效性。     

基于改进粒子群神经网络的提升机故障诊断

针对BP神经网络对提升机制动系统进行故障诊断存在着收敛速度慢和可靠性差等缺点,提出了一种基于粒子群神经网络的故障诊断方法.根据制动系统故障征兆与故障类型之间的非线性和耦合性,建立了提升机制动系统的故障诊断模型;采用改进的粒子群算法优化BP神经网络的连接权值和阈值,应用于制动系统的故障诊断,缩短了神经网络的训练时间,提高了故障诊断的精度.仿真结果表明该诊断方法具有故障诊断能力强和诊断效率高等特点.     

基于改进的PSO神经网络的手写体汉字识别

为了克服手写体汉字识别中传统神经网络训练算法存在网络易于过早收敛的缺陷,本文提出采用自适应惯性权值的粒子群优化算法训练神经网络,即利用粒子更新迭代训练神经网络最优的权值和阈值,其中对粒子更新的惯性权值进行了自适应性的改进.试验中提取了大量汉字样本的笔画数量信息和分布信息作为特征向量,利用改进的粒子群神经网络对汉字进行分类,并与BP神经网络的识别效果做了比较.结果表明:自适应惯性权值的粒子群优化算法能有效避免网络"早熟",大大提高了网络训练精度,网络对汉字的识别正确率明显提高.     

基于改进PSO-BP神经网络的变压器故障诊断

引入动态变异操作来优化粒子群算法,同时将改进的粒子群优化算法和误差反向传播的算法相结合,构成混合算法,用于训练人工神经网络,并将该混合算法应用于变压器的故障诊断.仿真结果表明,该算法具有较快的收敛速度和较高的计算精度;诊断结果表明,该算法有利于提高变压器故障诊断的正确率.     

改进粒子群优化BP神经网络的目标威胁估计

为了提高目标威胁估计精度,提出一种运用改进粒子群算法优化BP神经网络的方法。为了避免陷入局部极值,将变异过程引入粒子群算法中,并对相关参数进行优化,形成改进粒子群算法,对BP神经网络的初始权值和阈值进行优化。利用样本数量不同的训练集对网络进行训练,并用60组测试集数据对网络进行验证。实验结果表明,改进粒子群优化BP神经网络目标威胁估计算法具有更高的预测精度,在训练样本数量较小时能够获得较好的预测能力,可以有效地完成目标威胁估计。     

基于GA-PSO-BP 的大坝变形监测模型

提出了一种基于GA-PSO 混合优化BP 神经网络的大坝变形监测模型, 将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合, 利用GA 算法的全局性和PSO 算法收敛速度快的特点,通过迭代选取最优的粒子作为BP神经网络的连接权值和阈值,以减小网络输出误差, 提高其收敛速度和加强网络泛化能力。运用GA-PSO-BP 模型对大坝自动监测数据进行预测分析, 实验结果表明GA-PSO-BP 模型优化了BP 神经网络的连接权值和阈值, 能有效提高网络训练精度与收敛速度, 有效避免早熟收敛, 使模型的整体预测效果得到提高。     

基于NWPSO-BP神经网络的异常用电行为检测算法

用户的异常用电行为会导致电力负荷异常增长,给电力公司造成巨大损失,同时也易造成输电线路故障,从而危害公共安全,然而传统人工检查异常用电行为的检测效率低下且精度较低。针对上述问题,首先分析了异常用电用户存在的行为特征,然后选择用于训练模型的最佳特征指标,最后提出了基于改进的非线性权重调整粒子群优化算法优化BP神经网络(NWPSO-BP)的异常用电行为检测算法。结果表明,与现有的异常用电行为检测方法相比,所提算法具有更高的精度,且误差收敛速度更快。     

基于改进PSO-BP网络的配电网故障选线与测距

针对人工智能算法在解决配电网故障选线和测距问题时容易陷入局部最优解并难以满足精确性和鲁棒性要求的问题,提出了一种基于改进粒子群优化神经网络的配电网故障选线与测距算法.该算法结合混沌优化算法和粒子群优化算法得到收敛能力更强的粒子群优化算法,通过提取配电网的零序电压与电流的暂态及稳态特征来构成特征向量,并分别使用训练集训练改进粒子群优化神经网络算法,从而能更精确地预测配电网的故障线路及其距离.仿真测试结果表明,所提出的算法能获得更精确的选线和测距结果,具有一定的实用性.     

改进粒子群算法优化RBF的交通流预测研究

为了实时准确地预测交通流量,本文采用一种改进的粒子群算法对径向基函数(radical basis function,RBF)神经网络进行优化,RBF神经网络隐层中心向量由最近邻聚类确定,使用适度值择优的原理对离子群算法进行改进,将改进的粒子群算法用于最近邻聚类半径的优化,合理确定了粒子群的隐层结构。同时,运用Matlab仿真软件建立新的RBF模型,并对交通流进行预测和分析。仿真结果表明,粒子群优化RBF的相对平均误差为3.94,改进粒子群优化RBF相对平均误差为2.67,通过误差对比,改进的RBF神经网络算法具有更好的预测效果,在预测速度和精度上均优于粒子群优化RBF神经网络交通流预测算法。该研究应用前景广阔。     

基于PSO-Elman神经网络的电力系统短期负荷预测模型研究

提出了基于粒子群优化算法—Elman神经网络的电力系统短期负荷预测模型,采用具有动态递归性能的Elman神经网络,可增强负荷预测模型的联想和泛化推理能力,保证负荷预测的精度。采用粒子群优化算法对Elman神经网络进行学习训练,可充分利用粒子群优化算法的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性,获得了较满意的预测精度,平均绝对误差和最大相对误差分别达到1.988%和4.673%。为该模型用于实际工程取得了有效的进展。     

基于EMD-PSO-BP网络模型的大坝变形预测

针对大坝变形具有非平稳性、非线性等特点,将经验模态分解(EMD)和粒子群算法(PSO)引入到BP神经网络中,建立EMD-PSO-BP模型。该模型采用EMD将复杂的大坝变形数据分解成有限个相对平稳的分量,并利用粒子群算法优化BP神经网络对各分量分别建模预测,叠加重构各分量预测值作为最终预测结果。实验结果表明,EMD-PSO-BP模型具有较好的非线性映射能力、学习能力和自适应能力,能有效地提高变形预测精度,其预测精度明显优于BP神经网络模型,较PSO-BP模型也有所提高。     

粒子群算法在模糊神经网络系统辨识中的应用

由于模糊算法过于依赖专家知识,参数决定过程中人为主观因素过大且无法进行自学习;而神经网络算法收敛速度较慢,还可能陷入局部最小.本文针对上述这两种算法在实际应用中的缺陷,引入并介绍了一种高效的粒子群算法,在采用Sugeno模糊推理计算模型建立模糊神经网络的基础上,利用粒子群算法收敛快、算法简单和全局寻优的优势,实现模糊神经网络的优化辨识,并进行了仿真实验.     

基于模糊神经网络的水泥强度预测

利用软计算技术预测水泥强度不但是一项新的尝试,而且具有较高的理论和应用价值.本文利用模糊神经网络良好的非线性逼近能力建立了水泥强度的模糊神经网络预测模型.模糊神经网络的学习算法采用的是快速的粒子群优化算法.仿真结果表明,该模型在预测水泥28d强度方面达到了很高的精度,有较好的实用价值.