基于灰色关联和ABC-BP神经网络的叶绿素a浓度预测

为预测太湖梅梁湾叶绿素a浓度,建立了基于灰色关联和ABC-BP神经网络的叶绿素a浓度预测模型,即通过灰色关联分析选取总磷、CODMn、水温、pH值、悬浮质为BP神经网络的输入变量,采用人工蜂群(ABC)算法优化网络权值与阈值,构造基于ABC算法优化的BP(ABC-BP)神经网络模型,预测出2014年1月~2015年12月的梅梁湾叶绿素a浓度。结果表明,经ABC算法优化后,BP网络模型预测梅梁湾叶绿素a浓度的最大绝对误差从3.54μg/L减小到1.28μg/L,最大相对误差从41.57%减小到20.62%,平均相对误差从8.83%减小到3.31%,可以提高梅梁湾叶绿素a浓度预测的准确性。     

基于灰色关联分析的GA-BP网络需水预测模型研究

针对城市需水预测涉及因素众多、不同地区影响因子不尽相同且多寡不一及影响因子的选择直接决定需水量预测的结果与实际是否相符等问题,提出了灰色关联分析法、遗传算法和BP神经网络相结合的需水预测模型,并以南京市为例,通过灰色关联分析法筛选出主要影响因素,采用遗传算法优化BP神经网络,构建基于灰色关联分析的GA-BP神经网络需水预测模型。实例应用结果表明,该模型用于需水预测能够比较全面地考虑需水量影响因子,与传统BP网络相比,GA-BP网络预测精度更高,训练速度更快,可作为资料时间序列较短情况下一种较好的需水预测方法。     

基于遗传算法优化BP神经网络的管网漏失定位模型研究

针对BP神经网络用于管网漏失定位时易出现收敛速度慢及陷入局部极小值的问题,利用遗传算法对BP神经网络的权值和阈值进行优化,并以A市供水管网为例,选取各个分区的供水管段进行不同程度的漏失模拟,将模拟数据作为训练样本训练遗传算法优化的BP神经网络,得到管网漏失时压力监测点的压力变化率和漏点位置之间的非线性关系,构建基于遗传算法优化BP神经网络的管网漏失定位模型。实例应用结果表明,基于遗传算法优化BP神经网络的管网漏失定位模型的收敛速度和预测精度均优于传统BP神经网络模型,可应用于实际工程。     

基于BP神经网络与遗传算法风电场超短期风速预测优化研究

风速预测对于风力发电并网调度至关重要。基于BP神经网络建立了风速预测模型,并从BP算法及遗传算法自身特点出发,针对BP网络结构确定困难、收敛速度慢等问题,提出创建多种群遗传算法,实现对BP神经网络的结构和权值初始值的同步优化。通过具体算例表明,经优化后的BP算法的收敛步数和计算时间明显减少,预测精度更高,网络整体性能有了显著提高。     

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。     

遗传算法优化BP神经网络在大坝扬压力预测中的应用

针对BP神经网络的局部极小和收敛慢等问题,提出了利用遗传算法的选择、交叉和变异操作优化BP神经网络的权值和阈值,将优化后的BP神经网络用于预测大坝扬压力。通过实例应用,将遗传算法优化的BP神经网络与逐步回归、BP神经网络预测相对比,结果表明遗传算法优化的BP神经网络收敛快且预测结果精度高。     

基于遗传算法的BP神经网络在水利定额编制中的应用

针对BP神经网络易陷入局部最优和遗传算法全局搜索速度过慢的缺点及水利定额编制中存在非线性和复杂性的实际状况,提出采用遗传算法(GA)优化BP神经网络在水利定额编制中的问题。实例分析表明,优化后模型(GA-BP神经网络)结合了BP神经网络的非线性逼近、局部寻优能力和遗传算法的全局搜索特性,在稳定性、预测精度、收敛速度上均优于BP神经网络,可运用于水利定额编制。     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

基于灰色关联度与BP神经网络的清河水库总氮浓度预测模型

为了实现清河水库总氮浓度的预测,建立了基于灰色关联分析的BP神经网络水质预测模型(GRABP),即采用灰色关联度的方法,选取总磷、挥发酚、化学需氧量、pH值、氨氮五项水质指标作为BP神经网络总氮预测模型的输入变量,根据五项最优影响因子与总氮浓度的对应关系,对模型进行了训练,并将训练好的模型应用于2016年8~12月的总氮浓度预测中。结果表明,GRA-BP网络模型较BP网络具有较高的预测精度,预测的相对误差均在5%以内,可为清河水库的水质管理提供科学的指导。     

基于遗传算法:BP网络的空调水系统优化控制研究

针对BP神经网络收敛速度慢和易于陷入极小值的问题,采用将遗传算法全局寻优和BP神经网络局部寻优相结合的方法,提高了BP神经网络的计算精度和收敛速度.应用该模型对空调水系统进行了辨识,并以冷水机组和水泵能耗最小为目标进行优化,取得了满意的效果.     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

基于改进灰色模型与BP神经网络模型组合的风力发电量预测研究

针对灰色模型在数据序列无规律的风力发电量预测中精度不高的问题,通过对原始数据的平滑处理改进灰色模型,并将改进的灰色模型与BP神经网络相结合构建组合预测模型,采用灰色关联法改进组合预测的权重系数。实例分析表明,改进的优选组合模型预测的准确度高于单一模型及传统的优选组合预测模型。     

基于改进杂草算法优化的神经网络模型在径流预报中的应用

针对BP神经网络在径流预报中易陷入局部最优解的缺陷及智能优化算法的优势,引入改进的杂草算法优化神经网络权值和阈值,将传统的杂草算法个体以正态分布空间扩散的方式改进为混合种群多种分布的方式产生子代个体。以金沙江流域中长期径流预报为例,将改进杂草算法优化的神经网络模型的径流预报结果与传统的BP神经网络和基于遗传算法优化的神经网络模型的预报结果进行对比。结果表明,改进杂草算法优化的神经网络应用到金沙江流域的径流预报精度较高,模型收敛更快,结果更加稳定,在实际预测中合理可行,具有一定的应用优势。研究成果为径流预报提供了新思路。     

基于KG-BP神经网络在秦淮河洪水水位预测中的应用

为了提高BP神经网络模型的预测精度,提出了一种基于KNN算法及GA算法优化的BP神经网络的水位预测方法(KG-BP),即通过KNN邻近算法从全样本数据中剔除与待测点相关度较低的样本集,并允许保留K个"优质"训练数据集;将筛选出的"优质"训练数据集代入GA算法中实现初始权阈值的优化;再将"优质"的样本和初始权阈值代入BP模型中进行训练。将该预测方法应用于东山站水位实际预测中,并与BP模型、GA-BP模型的预测结果进行对比分析,验证了KG-BP模型具有较高的预测精度。     

基于数据挖掘和遗传小波神经网络的光伏电站发电量预测

为了解决光伏发电预测不确定性问题,进一步提高光伏电站发电量的预测精度。提出一种基于数据挖掘和遗传小波神经网络的光伏电站发电混合预测模型,利用K均值聚类算法对历史数据进行分类,并对传统BP神经网络进行改进。以BP神经网络为基础,引入小波分析构建小波神经网络,同时利用遗传算法对网络的初始参数进行全局寻优得到最优参数,利用交叉熵函数对学习规则进行改进。改进后的网络模型既具有小波分析的良好的局部时域和频域特性,又具有全局搜索能力,可增大跳出局部最优的可能性,同时拥有更快的收敛能力和稳定性。实验结果验证了该算法的有效性。