基于粒子群优化径向基函数神经网络的电力负荷预测

电力负荷精确预测是实现电力系统经济调度重要依据.考虑径向基函数神经网络(RBF-NN)对时间序列所具有的良好拟合及泛化能力,以RBF-NN为研究模型进行电力负荷预测.利用K-means算法对负荷数据进行预处理,引入粒子群优化(PSO)算法对RBF-NN的参数进行优化,以克服参数不确定、梯度下降、局部最优等问题对其模型预...     

基于神经网络自适应集成的短期负荷预测

针对在电力系统短期负荷预测应用中,单个神经网络存在预测精度较低、预测结果不稳定、泛化能力差的特点,本文提出一种新的基于多神经网络自适应集成的预测模型.通过对某地区的实际负荷数据进行预测分析表明,该方法以很小的运算时间代价、较小的存储空间代价显著地提高了单个网络的预测精度和泛化能力,具有良好的应用价值.     

改进粒子群—BP神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群算法(MPSO),并与BP算法相结合,形成改进的粒子群—BP(MPSO-BP)神经网络算法,用此算法训练神经网络,实现了神经网络参数优化,得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素,进行电网短期负荷预测。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善了BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。     

基于自适应粒子群优化径向基函数神经网络的语音转换

语音转换是指在保持源说话人语义内容不变的前提下,通过改变源说话人的个性特征,使其听起来像目标说话人的语音。本文提出一种自适应粒子群优化算法训练径向基函数神经网络进行语音特征建模,以获取说话人谱包络的映射关系;此外,考虑到说话人谱包络参数与基频有着密切的联系,利用基于径向基函数神经网络的联合谱包络基频变换方法,将谱包络参数与基频联合进行建模和转换,使得转换后的基频含有更多的说话人个性特征。最后,运用主、客观方法对获得的转换语音进行性能测试。实验表明,与主流的基于高斯混合模型的语音转换相比,使用自适应粒子群优化的径向基函数神经网络方法能够获得更好的转换性能,且更加适用于男声到女声的转换。     

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。     

混合模型神经网络在短期负荷预测中的应用

提出了可应用于电力系统负荷预测的混合模型神经网络方法,该方法同时具有电力系统负荷预测的传统方法的优点及人工视网络方法的优点,该方法中,不同的负荷分量采用不同类型的预测方法,并采用基本绵谐振分量作神经网络的输入,神经网络的训练采用快速的学习算法进行,该方法具有很强的实时性和适应性,适用于没有气象资料的应用场合,仿真计算的结果表明,预测精度较传统来得高。     

ACOA-RBF网络模型在短期负荷预测中的应用

为了进一步提高RBF神经网络的性能,实现准确、快速预测短期电力负荷的目的,将蚁群优化算法（ACOA）作为RBF神经网络的学习算法,建立了一种新的蚁群优化算法的RBF（ACOA-RBF）网络预测模型,利用山西某地区电网的历史数据进行短期负荷预测。仿真表明,这一算法与传统的RBF神经网络预测方法相比,能达到更好的预测效果。该优化算法改善了径向基神经网络的泛化能力,提高了山西电网短期负荷预测的精度,可有效用于电力系统的短期负荷预测。     

径向基神经网络在近似建模中的应用研究

为了在不依赖测试样本的前提下获取最优的径向基函数分布系数Opt_SPRD,从而构造出具有更高精度的径向基神经网络（RBNN）近似模型,提出了一种基于交叉验证的分布系数选取方法。该方法以分布系数与交叉验证误差之间的函数为基础,把对应于交叉验证误差最小值的分布系数作为Opt_SPRD的近似解。数值实验的结果表明,所提出的方法明显优于目前通行的缺省处理方法;与基于L-M BP算法的前馈神经网络近似模型相比,在所提出方法基础上构造出的RBNN近似模型具有更高、更稳定的精度。     

递归神经网络及其在电力短期负荷预测中的应用

本文用递归神经网络逼近非线性ＡＲＭＡ模型预测电力短期负荷。与传统方法以及前馈神经网格方法比较，递归神经网络由于其能自学习逼近非线性ＡＲＭＡ模型而具有较高的预测精度，预测方法也比较简单。这在我国电力供应紧张的情况下，对提高我国的电力负荷预测水平，合理安排电力生产计划具有一定的现实意义。     

基于径向基神经网络的人民币汇率预测

准确预测汇率对经济发展的各方面都有着重要影响。首先说明了径向基神经网络运作的基本原理,探讨了径向基神经网络汇率预测的重要步骤。接着利用径向基神经网络的数值逼近与记忆功能,根据汇率历史观测数值,对人民币的汇率的行为进行预测。实验结果表明,将径向基神经网络用于人民币的预测是可行的和有效的。     

Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization

Radial basis function (RBF) networks are widely applied in function approximation, system identification, chaotic time series forecasting, etc. To use a RBF network, a training algorithm is absolutely necessary for determining the network parameters. The existing training algorithms, such as orthogonal least squares (OLS) algorithm, clustering and gradient descent algorithm, have their own shortcomings respectively. In this paper, we propose a training algorithm based on a novel population-based evolutionary technique, quantum-behaved particle swarm optimization (QPSO), to train RBF neural network. The proposed QPSO-trained RBF network was tested on non-linear system identification problem and chaotic time series forecasting problem, and the results show that it can identify the system and forecast the chaotic time series more quickly and precisely than that trained by the particle swarm algorithm.     

基于PSO-RBF神经网络的模拟电路诊断*

为了提高径向基神经网络(radial basis funtion neural network,RBFNN)进行模拟电路故障诊断的速度与准确性,提出了一种基于粒子群算法(particle swarm optimization,PSO)优化RBFNN的故障诊断方法。该方法利用PSO优化RBFNN的结构参数,克服了神经网络中模型结构和参数难以设置的缺点,避免了参数选择的盲目性;同时对模拟电路的响应信号采用小波包分解,提取有效故障特征。仿真结果表明,方法具有更高的诊断精度和更快的收敛速度,能有效地实施模拟电路的故障定位。     

基于粒子群与BP混合算法的神经网络学习方法

针对标准BP算法收敛速度慢及易陷入局部极值等问题,提出一种基于粒子群优化与BP混合算法的神经网络学习方法。该方法在网络的训练过程中,同时利用粒子群算法与BP算法进行最优网络权值的搜索,从而既充分利用了粒子群算法的全局搜索性又较好地保持了BP算法本身的反向传播特点。将该混合学习算法应用于复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络学习算法进行比较。实验结果表明所提的混合学习算法具有较高的收敛精度,且收敛速度更快。     

基于粒子群优化神经网络的无线定位算法

对于传统的对移动台的定位,提出了一种基于粒子群(PSO)优化神经网络的算法。这一PSO-BP算法首先利用PSO对神经网络传统的目标函数及参数进行优化,再利用改进后的BP神经网络对非视距误差(NLOS)进行修正,最后利用算法LS进行移动台的定位。仿真结果表明,该基于PSO的神经网络定位算法寻优效果稳定,预测误差小,具有可行性。     

改进粒子群优化Takagi-Sugeno模糊径向基函数神经网络的非线性系统建模

针对复杂非线性系统建模的难点问题,提出了一种基于改进的粒子群优化算法（PSO)优化的T-S模糊径向基函数（RBF）神经网络的新型系统建模算法。该算法将T-S模糊模型良好的可解释性及RBF神经网络的自学习能力相结合,构成T-S模糊RBF神经网络用于系统建模,并采用动态调整惯性权重的改进的PSO算法结合递推最小二乘算法实现网络参数的优化调整。首先,利用所提算法进行了非线性多维函数的逼近仿真,仿真结果均方差（MSE）为0.00017,绝对值误差不大于0.04,逼近精度较高;又将该算法用于建立动态流量软测量模型,并进行了相关的实验研究,动态流量测量结果平均绝对误差小于0.15L/min,相对误差为1.97%,基本满足测量要求,并优于已有算法。上述仿真及实验研究结果表明,所提算法对于复杂非线性系统具有较高的建模精度和良好的自适应性。     

一种基于混合粒子群优化算法的深度卷积神经网络架构搜索方法

神经架构搜索（neural architecture search,NAS）技术自动寻找神经网络中各层的最佳组合和连接方式,以及各种超参数的最佳分布。该方法从搜索空间生成若干不同的卷积神经网络（CNN）,使用混合粒子群优化（hybrid particle swarm optimization,HPSO）算法,将一定数目的神经网络个体视做一个群体,将每个网络个体在评价指标下的表现值视做适应度,在给定的世代数范围内,每个神经网络个体都学习自身的历史最佳适应度个体,和整个群体的最佳适应度个体,迭代改善自身的网络架构。实验结果表明,算法运行中出现的最优网络架构,在图像分类任务的多个基准数据集上,与手工设计的神经网络和以遗传算法为基础的NAS算法相比,在网络参数数量和准确率的平衡上取得了有竞争力的结果。     

基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法

短期电力负荷预测是电力系统中的重要问题之一,准确的预测结果可以提高电力市场的灵活性和资源利用效率,对电力系统高效运行具有重要意义.为了提高预测精度,针对电网负荷数据的时序性特征,提出一种基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法.该方法首先针对电力负荷的影响因素(温度、节假日等)提取特...     

基于改进萤火虫算法的小波神经网络短期负荷预测方法

传统的小波神经网络以梯度下降法训练网络,而梯度下降法易导致网络出现收敛早熟、陷入局部极小等问题,影响网络训练的精度。文章将萤火虫算法用于训练小波神经网络,在全局内搜寻网络的最优参数。为了提高萤火虫算法参数寻优的能力,在训练过程中自适应调节γ值。同时利用高斯变异来提高萤火虫个体的活性,在保证收敛速度的同时避免算法陷入局部极小。将优化后的小波神经网络用于短期负荷预测,实验证明改进后的预测模型非线性拟合能力较强、预测精度较高。     

基于粒子群优化的深度神经网络分类算法

针对神经网络分类算法中节点函数不可导,分类精度不够高等问题,提出了一种基于粒子群优化(PSO)算法的深度神经网络分类算法.使用深度学习中的自动编码机,结合PSO算法优化权值,利用自动编码机对输入样本数据进行编解码,为提高网络分类精度,以编码机本身的误差函数和Softmax分类器的代价函数加权求和共同作为PSO算法的评价函数,使编码后的数据更加适应分类器.实验结果证明:与其他传统的神经网络相比,在邮件分类问题上,此分类算法有更高的分类精度.     

基于粒子群优化神经网络的“煤改电”地区短期负荷预测研究

为提高“煤改电”地区短期负荷预测水平,本文基于北京市大兴区“煤改电”工程,探索利用神经网络算法对“煤改电”地区短期负荷进行预测。本文首先研究了“煤改电”地区负荷的年周期、周周期以及日周期负荷特性,并对负荷预测进行分类,分析得出了负荷预测的主要影响因素,明确了负荷预测的步骤及误差分析方法。其次,本文研究了BP神经网络的构成和运算过程,分析了历史数据处理方法,建立了基于BP神经网络的“煤改电”地区短期负荷预测模型,并对短期负荷预测模型进行检验。最后,为进一步提高预测效果,本文研究利用粒子群算法和列文伯格-马夸尔特算法对神经网络进行优化改进,建立了基于粒子群算法优化的BP神经网络负荷预测模型,满足了预测目标精度要求。