基于果蝇优化算法的GRNN模型在边坡稳定预测中的应用

鉴于边坡系统是一个复杂的多因素影响的非线性系统,综合考虑边坡的物理状态和环境因素,采用了一种基于果蝇优化算法(FOA)的广义回归神经网络(GRNN)模型(FOAGRNN)预测边坡的稳定状态,并与BP神经网络预测模型结果进行比较。结果表明,FOAGRNN预测的精度较高,基本反映了边坡稳定的真实状态。     

基于能量熵重构与支持向量回归的水电机组状态趋势预测

针对水电机组运行状态趋势预测的问题,提出了一种基于能量熵重构(EER)与支持向量回归(SVR)的混合预测模型。先针对复杂非平稳监测信号,利用快速集成经验模态分解(FEEMD)算法将其分解为多个本征模态函数(IMFs)分量和单个残余分量;然后基于能量熵(EE)理论对各分量进行重构,以有效降低分量的复杂度;最后,将生成的重构本征模态函数(RIMFs)作为SVR的输入,训练模型参数得到最优的SVR,用于预测机组状态发展趋势。与实例对比分析表明,所提混合预测模型具有较高的预测精度,为机组运维策略的制定提供了一定的指导。     

基于改进果蝇算法优化支持向量机的风电机组性能评估

目前,关于风电机组性能的研究多集中于某一关键部件,文章针对风电机组整体提出一种性能评估的方法。首先采用支持向量回归(SVR)预测正常状态下的评价指标,并使用果蝇优化算法(FOA)来寻找其最优参数。为了克服FOA易陷入局部最优的缺点,引入免疫思想增加种群的多样性,并采用自适应搜索步长,提高其收敛精度;然后通过变权思想对预测误差进行组合,得到风电机组偏离正常状态的劣化度,实现对风电机组的性能评估;最后,采用某风电场的数据进行实验分析,验证了文章所提方法的可行性。     

基于改进预测模型的水电机组状态趋势预测

针对水电机组信号呈现的非线性和非平稳特性,提出了基于改进麻雀搜索算法与支持向量回归相结合的预测模型(ItSSA_SVR).将麻雀搜索算法进行自适应改进,首先在种群初始化方面,引入Sine混沌映射来影响算法的整个过程,使种群在搜索空间更加均匀的分布;其次采用自适应学习因子ω来提高算法的搜索能力,并通过Levy飞行算法这种...     

基于果蝇优化算法的配电网状态估计

配电网状态估计的目的是根据获取的配电网的各种量测信息,估计配电网系统的运行状态,是配电管理系统（DMS）的重要核心功能之一。根据配电网特点,以电压幅值和相角为状态变量,以量测值和估计值误差最小为目标函数,以潮流方程和估计值的上、下限为约束条件,构建配电网状态估计的优化模型,采用果蝇优化算法对该模型进行求解。算例表明,基于视觉和嗅觉的觅食行为启发的果蝇优化算法可有效求解该优化模型,具有易于实现、控制参数少和计算精度高的特点,为配电网状态估计提供了新的途径。     

基于IFOA-GRNN的电力系统短期负荷预测

考虑到电网负荷与诸多因素有关,设计了一种带有温度、气象、日期类型的广义回归神经网络（GRNN）负荷预测模型。为了提高该模型的预测精度,提出了一种改进果蝇优化算法优化广义回归神经网络（IFOA-GRNN）的方法,即在利用果蝇优化算法（FOA）进入迭代寻优时,通过改进搜索距离优化该算法的性能和稳定性。利用改进的FOA优化GRNN的光滑参数,然后利用训练好的预测模型对甘肃省某地区进行了短期负荷预测,并与FOA-GRNN和误差反向传播神经网络(BPNN)模型结果进行了误差比较。结果表明, IFOA-GRNN具有较高的预测精度,能够满足电力系统短期负荷预测的要求。     

基于NNARX的动态神经网络模型的水电机组预测控制

针对水轮机调节系统的高阶、非线性及非最小相位的特点,设计了基于非线性自回归动态神经网络(NNARX)的水电机组预测控制系统。为了更好地得到过程参数及对象模型,先利用NNARX神经网络对水电机组整体进行辨识,再利用此网络对水电机组进行预测控制,并给出了模型算法及处理过程。由于NNARX动态网络误差曲面比较复杂,利用L-M算法对其进行训练。仿真结果表明,基于NNARX的动态神经网络模型具有很好的收敛性,辨识精度高,预测控制效果良好。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

水电机组稳定性状态优化调整研究

针对目前水电机组计划检修及状态检修方法存在的不足,提出了优化调整水电机组的运行状态,基于水电机组运行特点,以动负荷为水电机组稳定性的本质属性,计算了水电机组导轴承处的动负荷,判断了水电机组的运行状态,进而提出了相应的优化调整措施.     

基于MFOA GRNN的汽轮机热耗率预测模型

为提高机组热耗率在线计算的精度与鲁棒性,提出多种群果蝇优化算法(Multi-population fruit fly optimization algorithm,MFOA)和广义回归神经网络(Generalized regression neural network,GRNN)相结合的汽轮机热耗率预测模型。以影响机组热耗率的主要运行参数为输入参数,建立基于GRNN的机组热耗率计算模型,并进一步采用改进的多种群果蝇优化算法优化GRNN模型中的光滑因子。将所建MFOA-GRNN热耗率预测模型应用到某1 000 MW机组中,结果表明该模型具有很好的计算精度,在测量数据发生方差增大、定值偏移等异常情况时该模型也能给出可靠的计算结果,具有较强的泛化能力和鲁棒性,满足实际工程需要。     

基于EEMD和优化SVM的水电机组振动故障诊断

针对水电机组故障具有渐变性等特征,提出了一种基于总体平均经验模态分解(EEMD)和优化支持向量机(SVM)相结合的水电机组故障智能诊断方法。利用EEMD能对机组振动信号进行自适应分解成若干本征模式分量(IMF),并能有效抑制经典经验模式分解(EMD)的端点效应以及模式混叠现象。从IMF分量中提取出来的能量特征作为输入建立优化SVM,以此来判断机组的故障状态。通过实例分析表明:建立的混合智能诊断方法的分类正确率高,能有效诊断机组存在的故障。     

基于EEMD和LSTM的水电机组劣化度预测方法研究

针对水电机组作为低速旋转设备具有复杂的运行机理,在目前缺乏先验知识、故障样本较少的情况下,运用传统故障诊断方法很难对水电机组的运行状况做出正确判断的问题,提出一种基于集合经验模态分解法和长短期记忆神经网络相结合的水电机组劣化度预测方法.利用水电机组非故障运行期间的数据计算不同工况下的特征参数健康值标准,使用劣化度描述机...     

基于优化果蝇算法和统计模型的混凝土坝变形预测模型及应用

鉴于构建大坝安全监测模型时传统统计模型拟合精度受样本系列长度、资料可靠性、拟合方法等多种因素影响,提出一种基于优化果蝇算法和统计模型的混凝土坝变形预测模型,利用优化果蝇算法对统计模型各项系数进行优化,以提高统计模型的预测精度。对某混凝土拱坝变形的拟合和预测结果表明,相比于统计模型,基于优化果蝇算法和统计模型的变形预测模型预测精度更高,拟合效果更好。     

基于果蝇算法优化BP神经网络的齿轮箱故障诊断

为有效提高风电机组齿轮箱故障诊断的快速性和准确性,采用近几年出现的果蝇算法对BP神经网络进行优化,减少了BP神经网络算法陷入局部最优解的风险,显著增强了BP神经网络的泛化能力和全局寻优能力。对比发现,果蝇算法优化后的BP神经网络模型具有比较好的快速性和准确的诊断能力。测试结果表明,果蝇算法优化BP神经网络对风机齿轮箱故障诊断具有可行性和有效性。     

基于ARIMA-SVM方法的梯级泵站机组运行趋势预测

针对多因素参与下梯级泵站机组运行趋势预测建模困难且预测准确度低、适应性差的问题,以宁夏盐环定扬黄工程为研究对象,引入时间序列分析法,提出了基于ARIMA与SVM模型组合的泵站机组运行趋势预测方法,即选择机组运行技术参数中的能源单耗和平均负荷作为试验样本,由ARIMA建模对处理后的数据进行线性拟合,通过SVM模型对残差进行预测处理,补偿机组运行中的非线性变化,综合二者预测结果得到组合模型预测值。结果表明,最优模型为ARIMA(1,1,3)、ARIMA(2,1,1),SVM模型最优参数分别为c=38、g=0.06和c=68、g=0.18;组合模型对试验样本的预测拟合优度分别达到0.999 2、0.998 4,均方根误差分别为1.67×10^-5、3.9×10^-8,平均绝对百分比误差分别为0.036 1%、0.074 7%,说明该组合模型预测泵站机组运行趋势精度较高、效果良好,可为泵站机组运行状态监测系统优化升级提供理论基础。     

基于神经网络的柴油机润滑油稀释率预测方法研究

为了实现柴油机润滑油稀释程度的准确、快速检测,基于试验建立了润滑油稀释率与理化参数指标的数据集。利用果蝇优化算法（fruit fly optimization algorithm, FOA）搜寻最优解更新广义回归神经网络（generalized regression neural network, GRNN）的光滑因子,提出了一种多理化指标参数融合的润滑油稀释程度预测方法。仿真结果表明：该模型的拟合优度为99.9%,均方根误差为0.106。通过将4种模型进行对比,证明了FOA–GRNN模型在预测精度、收敛速度及稳定性上的优越性。在实际柴油机远后喷试验中,将该预测方法与气相色谱（gas chromatograph, GC）法进行对比,二者的绝对误差在0.5%之内。该预测方法在保证检测精度的同时大大缩短了检测时间,为柴油机实现按质换油提供了理论和技术指导。     

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。     

基于AFOA-BP神经网络的燃气轮机研制风险预测

为提高燃气轮机研制过程中的风险管理能力,针对果蝇算法（Fruit Fly Optimization Algorithm,FOA）及BP神经网络的缺陷,构建了自适应果蝇算法（Adaptive Fruit Fly Optimization Algorithm,AFOA）,提出基于自适应果蝇算法优化BP神经网络的风险预测模型,利用自适应果蝇算法优化BP神经网络的阈值和权值。挖掘燃气轮机研制风险因素及风险事件之间的关系,并根据风险因素的权重预测风险事件的权重。利用燃气轮机研制风险的相关历史数据进行验证,表明该模型具有较高的预测精度和应用价值。     

基于VMD-CNN的水电机组故障诊断

为提高水电机组故障诊断精度,减少在振动信号特征选取过程中对专业经验的依赖,提出了一种融合变分模态分解和卷积神经网络的故障诊断方法。首先对水电机组振动信号进行变分模态分解得到若干分量,并利用这些分量构造时间图,然后搭建深度卷积神经网络对时间图进行特征提取和故障识别,建立分量和故障状态的映射关系。以实测水电机组轴向振动信号进行应用检验,并采用多组对比试验,结果表明该方法与其他方法相比故障识别准确率更高。研究成果为水电机组智能故障诊断提供了新思路。