排序方式: 共有1条查询结果,搜索用时 0 毫秒
1
1.
针对变压器热点温度预测精度问题,提出一种蚁群算法( ant colony algorithm,ACO)结合改进主成分分析法( improved
principal component analysis,IPCA)优化 BP 神经网络的热点温度预测模型。 首先采用 IPCA 去除数据冗余信息,并解决参数间
相关性问题,提高网络泛化能力。 为了避免 BP 神经网络容易陷入局部最优和收敛速度慢,利用 ACO 优化网络权值和与阈值,
加快算法速率,提高预测精度。 通过变压器温度实测数据验证,预测结果中的 mae、mse、mape 指标分别为 0. 065 7、0. 006 7、
0. 44%,预测精度和网络性能优于 IEEE、BP、IPCA-BP 模型,从而验证所提模型的有效性和可行性。 相似文献
1