基于人工神经网络的长江三峡年最大洪峰流量长期预报

将统计相关性分析与模糊方法相结合,识别出影响宜昌站年最大洪峰流量的前期流域降水、大气环流形势等预报因子。比较了LMBP算法、自适应BP算法、变步长BP算法、加动量BP算法等几种常见改进BP算法的优缺点,探讨了BP网络建模过程中存在的问题,建立了LMBP算法和自适应BP算法相耦合的中长期水文预报模型。预报实践表明,所建模型合理、预报效果好、精度高、具有较高的推广和应用价值。     

年径流变化的BP神经网络预报模型研究

针对现有基于线性方法的年径流预报模型预报精度不高的问题,利用乌江洪家渡1963~2016年径流系列资料,以5~10月月平均流量作为预报影响因子,构建以年径流量为预报对象的BP神经网络模型,形成6-11-1的网络结构,并选取泛化能力强的贝叶斯规则法TRAINBR为训练函数。模拟结果表明,模型预报效果良好,对于年径流预报具有实用价值;BP神经网络模型相比逐步线性回归方法能更精确表达年径流预报因子与预报对象的映射关系;采用的训练函数TRAINBR能有效改善模型的泛化能力。研究成果可为径流预报提供参考。     

基于MPGA-BP模型的降雨预报研究

降雨预报是水文预报的重要环节,提高其准确性是进行洪水、径流等预报的前提。针对目前预测方法中存在的易落入局部极小值、收敛速度慢和收敛对初值敏感等问题,将多种群遗传算法(MPGA)与反向传播(BP)神经网络模型相结合,提出了一种适用于降雨预报的多种群遗传神经网络模型(MPGA-BP)。实例计算结果表明,该模型具有良好的预报性能和泛化能力,为降雨准确预测提供了有力的技术支持。     

一种基于物理核函数高斯过程回归的月径流预报模型及其应用

鉴于传统的单一径流预报模型很难描述径流未来变化规律，将自适应变分模态分解(AVMD)与基于组合物理核函数的高斯过程回归(GPR-CK)相结合，构建了AVMD-GPR-CK预报模型，该模型采用AVMD将实测径流分解为多个子序列，对子序列依据其自身特点分别建模，子序列预报结果叠加重构即为最终预报结果。模型应用于金沙江流域向家坝站未来1～12个月的径流预报的结果表明，所有预见期AVMD-GPR-CK模型的确定性系数均大于0.94,平均绝对百分比误差(M_MAPE)在±17%以内，预见期在10个月以内时，M_MAPE在±10%以内；预报精度明显优于常见的BP、GRNN、RBF、RELM模型。     

基于GA-LMBP神经网络模型的大坝渗流压力预报分析

为克服传统BP神经网络在渗流压力预测过程中收敛慢、计算量大和易陷入局部极小等缺陷,依据渗流压力的影响因素,研究了模型的结构和输入输出因子,建立了基于遗传算法和LM算法相结合的GA-LMBP神经网络的大坝渗流压力预测模型,即通过遗传算法(GA)的选择、交叉和变异操作得到BP网络的一组全局最优近似解(即网络的初始权值和阈值),再以该近似解为初值,利用LM算法对BP网络进行优化训练,将训练好的网络用于渗流压力的预测。实例应用结果表明,在相同精度的要求下,GA-LMBP神经网络模型收敛速度快、预测精度高,对大坝渗流压力的预测效果更佳,是值得采用的一种模型。     

基于主成分分析和BP神经网络的赣江流域中长期径流预报

针对赣江流域开展水量调度对中长期径流预报的迫切需求,在分析赣江流域径流特性的基础上,以降雨、径流等常规因子和130项大气环流指数等相关因子为预报因子,分别构建基于相关系数法、逐步回归方法、主成分分析法三种因子筛选方法的BP神经网络中长期径流预报模型。研究结果表明,主成分分析方法筛选的预报因子可较好描述未来径流的变化趋势,所构建的基于主成分分析的BP神经网络中长期径流预报模型在率定期和检验期的合格率均满足规范对作业预报模型的精度要求,可作为赣江流域中长期径流预报的支撑模型。研究成果为赣江流域开展水资源优化配置和水量调度提供了依据。     

ABC BP模型在混凝土双曲拱坝变形监控中的应用

因大坝变形具有很强的非线性、随机性,致使预测困难,将人工蜂群算法(ABC)与BP神经网络相结合,利用人工蜂群算法具有强全局优化能力、强鲁棒性等优点,克服BP神经网络收敛速度慢、易陷入局部极小点等缺点,建立ABC BP、BP神经网络大坝变形预测模型对小湾大坝变形监测数据进行预测。结果表明,与单纯的BP神经网络预测模型相比,ABC BP算法提高了大坝变形预报的精度,加快了网络的收敛速度,能更高效准确地进行大坝变形监控预报。     

改进型BP神经网络在广州空气污染预报中的应用研究

为了更好地了解环境污染的情况,建立有效的空气污染预报模型成为了刻不容缓的工作。本文以广州市4年的空气污染指数(API)和相对应的逐日气象数据资料为基础,进行空气质量的研究。基于BP神经网络在空气污染指数预报中存在的不足,采用万有引力搜索算法对BP网络进行改进。鉴于不同季节API值的变化差别,将改进后的BP神经网络模型对广州4季的API值进行预测。通过比较改进前后模型的均方百分比误差和预报准确率,发现改进后的BP神经网络预报效果优于传统的BP。     

基于遗传算法的参数投影寻踪回归径流预报模型及应用

为提高径流预报精度,采用单相关系数法挑选预报因子,建立了基于遗传算法的参数投影寻踪回归径流预报模型,利用该模型对雅砻江二滩水电站月平均流量进行了预报。结果表明,与BP神经网络模型预报结果相比,投影寻踪回归模型具有更好的预报结果和更高的预报精度。     

基于BP神经网络的大伙房水库洪水预报

鉴于大伙房水库洪水预报模型为集总式模型,其参数不仅需要优选法选定或人工试错法确定,还需要实时校正,因此根据大伙房流域特点提出了一种半分布式BP神经网络洪水预报模型,实现了模型中参数的自动率定,且由于其半分布式的特点还规避了原集总式模型的部分劣势。即采用DEM和ArcGIS根据水文站及自然流域分水线划分流域,创建BP神经网络,然后应用于各子流域断面及入库断面,预报其流量值,并在每个网络中均运用逐步回归分析法对输入层数据进行筛选,以得到影响最显著因子。将所建模型应用于大伙房水库,预报精度较好,可用于大伙房水库的正式预报。     

热力系统局部非线性模型辨识

在多模型控制中,局部模型大多数是基于线性模型,其数量和精度影响多模型控制的效果。提出一种基于RBF神经网络的非线性模型辨识算法,采用G.B.Sentoni等人提出的非线性模型结构[2~3],利用径向基函数(Radial Basis Function,RBF)神经网络的逼近能力,实现热力系统非线性模型辨识。在RBF神经网络的学习过程中,根据性能函数调节学习率,可以加快学习的收敛过程。最后进行了仿真验证,基于2个局部非线性模型的多模型控制系统与基于5个局部线性模型的多模型控制系统相比,减少了切换时的震荡,控制精度有所提高。试验结果表明,该辨识算法能减少固定模型数量,从而减少模型搜索时间,并且能够提高模型预测精度。     

基于SARSA算法的风电-抽蓄联合系统日随机优化研究

针对随机动态规划在求解风电—抽蓄联合系统日随机优化时出现的维数灾问题,提出采用强化学习的SARSA算法来解决。首先分析了风电出力随机性并采用Beta分布来表示风电出力的概率分布;然后建立了风蓄联合系统实际出力与计划出力偏差平方最小为目标函数的日随机优化模型;最后说明利用SARSA算法求解该问题的步骤。算例应用结果表明,利用SARSA算法求解该问题需迭代一定次数才收敛,且算法的学习率随迭代次数增加而减小时可加快算法收敛速度;将SARSA算法与随机动态规划算法相比,在优化结果接近的情况下,SARSA算法计算时间减少约35%,该算法为解决随机多能互补问题提供了新思路。     

基于PCA-GABP神经网络的发动机负荷特性预测

针对BP算法存在的不足,本文提出了一种PCA-GABP神经网络方法预测发动机负荷特性,该方法由主成分分析(PCA)和遗传神经网络(GABP)两部分构成,采用PCA技术减少网络输入变量、精简网络结构、提高学习效率;GABP算法采用局部改进遗传算法优化神经网络权值,并采用自适应学习速率动量梯度下降算法对神经网络进行训练。预测结果表明该方法在准确性和收敛性方面都优于BP算法。     

基于改进FFT-BP的电力谐波检测算法

传统的FFT-BP算法在处理多种谐波信号叠加而成的复杂信号时,存在弱信号为了"迎合"网络的整体误差最小值,会发生严重的偏移,并反过来影响强信号的检测精度;学习率和动量因子被设为定值,易导致运行时间过长或无法收敛至最小值;激励函数为定函数,无法检测间谐波信号等问题。对此,提出一种改进的FFT-BP算法,利用预处理得到的谐波参数信息,限制参数迭代的搜索区域,并将学习率、动量因子和激励函数一起参与网络的调节。仿真试验表明,与传统FFT-BP算法相比,该算法解决了小信号的偏移问题,可以处理谐波与间谐波叠加而成的复杂信号,且运算速度更快、检测精度更高。     

最小二乘支持向量机在大坝变形预测中的应用

介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。     

基于SVR增量学习算法的变桨距风力机系统在线辨识

针对变桨距风力机模型非线性很强的特点,采用支持向量回归(SVR)算法进行辨识,数据由BLADED仿真软件提供,经训练检测的结果表明,SVR算法在变桨距风力机非线性模型辨识上具有很高的准确性。考虑到风力机现场工作过程中会出现模型变化,利用增量学习算法实现在线辨识。由于在线SVR辨识计算时间太长,通过改进的序列最小优化(SMO)算法代替原来的凸二次规划(QP)算法。同时提出满足度系数,排除系统无效的突变点,使在线辨识具有鲁棒性,并通过双支持向量机(SVM)算法实现在线辨识的记忆功能,最终辨识结果不仅有很强的精度,而且大大减小了计算时间。     

基于PSO算法的FCMAC控制器及其在主汽温控制中的应用

模糊CMAC神经控制器能反映人脑认知的模糊性和连续性,它采用高斯函数作为模糊隶属函数,利用CMAC神经网络实现模糊推理,并可对隶属函数进行实时调整,从而使它具有自适应和学习能力.文中讨论了这种控制器参数的PSO学习算法,对电厂锅炉主蒸汽温度控制的仿真表明了FCMAC控制器及其PSO学习算法的可行性和有效性.     

基于DNN的托卡马克等离子体边界重建研究

  目的  为了实现托卡马克在放电过程中对等离子体位形的实时重建，在对相机标定算法分析的基础上，提出一种基于全连接神经网络的可见光边缘重建算法。  方法  该算法的作用是建立像素坐标系和托卡马克坐标系的对应关系进而实现等离子体可见光边缘重建。  结果  在该算法的基础上引入小样本学习，来对全连接神经网络重建算法做进一步改进。  结论  实验结果表明该算法可以精确地对等离子体可见光边缘进行重建，同时也满足系统对实时性的要求。     

COMPUTATION OF TRANSIENT NATURAL CONVECTION IN A SQUARE CAVITY BY AN IMPLICIT FINITE-DIFFERENCE SCHEME IN TERMS OF THE STREAM FUNCTION AND TEMPERATURE

In this article we discuss the application of an implicit scheme to the solution by finite differences of transient natural convection in terms of the stream function and temperature. The second-order energy differential and fourth-order momentum equations are discretized according to the well-known alternate direction implicit (ADI) method. Then the temperature field solution is built based on the classic tridiagonal matrix algorithm (TDMA), and the stream function solution is built based on the two original hypotheses proposed here together with the penta diagonal matrix algorithm (PDMA). The time step in the algorithm is obtained analytically as a function of the Prandtl number and the size of the grid imposing the diagonal dominance condition in the pentadiagonal matrix generated by the hypothesis. We verify the hypothesis and the algorithm using the transient natural convection solution in the following parameter ranges: 10 3 r Ra r 10 6 , 10 -2 r Pr r 10 2 , 21 2 21 r grid r 61 2 61. The transient solution to the problem is presented using the average Nusselt number and local Nusselt numbers on the hot wall, CPU time, the temperature and velocity profiles in the y = 0.5 section, and the temperature in the central point of the cavity. The results of the permanent solution are presented using the maximum value of the stream function within the domain and the average Nusselt number on the cold wall as a function of the Rayleigh number, the relaxation parameter, Prandtl number, and the size of the grid. Finally, both the transient and permanent solution results are compared with the results of five other published studies.     

Parameter identification for solid oxide fuel cells using cooperative barebone particle swarm optimization with hybrid learning

Solid oxide fuel cell (SOFC) has been widely recognized as one of the most promising fuel cells. The SOFC performance is highly influenced by several parameters associated with the internal multi-physicochemical processes. In this work, the optimal modeling strategy is designed to determine the parameters of SOFC using a simple and efficient barebone particle swarm optimization (BPSO) algorithm. The cooperative coevolution strategy is applied to divide the output voltage function into four subfunctions based on the interdependence among variables. To the nonlinear characteristic of SOFC model, a hybrid learning strategy is proposed for BPSO to ensure a good balance between exploration and exploitation. The experimental results illustrate the effectiveness of the proposed algorithm. The comparisons also indicate that cooperative coevolution strategy and hybrid learning improve the performance of original PSO algorithm, offering better approximation effect and stronger robustness.