基于免疫算法优化的GA-BP网络在围岩参数反分析中的应用

针对传统BP神经网络、遗传算法在反分析应用过程中存在的问题,将基于免疫算法优化的遗传算法与BP神经网络结合起来,构建了具有更快的收敛速度和更强的全局搜索性能的GA-BP网络,根据某抽水蓄能电站地下洞室的开挖和埋深特点,选取弹性模量和侧压力系数为待反演参数并设定取值范围,以设定的反演参数值和有限元计算得出的洞室理论位移为训练样本,利用GA-BP网络训练此样本,得到洞室位移值与洞室物理力学参数之间的关系,将实测位移值输入训练好的GA-BP网络中获得参数的反演值,通过反演值计算出不同监测断面的位移值,从而验证了GA-BP网络在参数反分析中应用的准确性。     

基于自适应差分进化算法的堆石坝参数反演

基于参数自适应差分进化算法(ADE),提出了堆石坝本构模型参数的反演分析方法,可有效提高收敛速度和避免陷入局部最优;并采用具有强大非线性映射能力的BP神经网络模型来近似模拟计算堆石坝的应力应变,提高了反演过程的效率。最后,以某抽水蓄能电站堆石坝为例进行应用研究,通过比较设计工况和反演工况下计算沉降值与实际沉降值之间的误差,验证了所提方法的有效性和可靠性,可为后续客观评价堆石坝安全性提供基础。     

蝗虫优化神经网络在变压器故障诊断中的应用

针对变压器故障诊断中传统BP神经网络算法准确率低、收敛速度慢、易陷入局部极小值及对初始参数较为敏感等的不足,提出一种基于蝗虫优化（GOA）算法的BP神经网络故障诊断方法。建立以变压器故障特征气体为输入、故障类别为输出的故障诊断模型,利用GOA高效的计算性能和优良的全局搜索能力对BP神经网络的权值和阈值进行参数优化。仿真结果表明,GOA优化后的BP神经网络模型相比于传统BP神经网络和基于遗传算法优化的BP神经网络,能够在保留广泛映射能力的前提下,提升网络的学习速度和全局搜索能力,进而缩短训练所需时间,提高故障诊断精度。     

基于改进粒子群算法的BP神经网络在初始地应力场反演优化中的应用

为找到一种较为精确的方法反演出最接近实际情况的初始地应力场,首先对传统粒子群算法进行改进,以弥补传统粒子群算法搜索范围过于局限的缺陷,然后将改进粒子群算法与BP神经网络算法相结合,来解决BP神经网络收敛速度慢、精度不足等缺点,最后对某抽水蓄能电站初始地应力场的反演进行优化,并与BP神经网络的计算结果和实测值进行对比,发现该方法可提高优化精度。     

基于改进GA-BP网络算法的边坡力学参数反演分析

针对BP神经网络收敛速度慢和易陷入局部极小值等不足,通过改进遗传算法,显著提升遗传算法的全局寻优能力,进而优化BP神经网络初始权值和阈值。结合工程算例,采用正交法设计参数样本,利用边坡工程的有限元正分析模型计算出反演分析所需的样本,建立基于改进的GA-BP网络算法反分析模型,经过网络训练,得到符合实测效应量值的反演参数值,对比GA-BP网络算法和改进GA-BP网络算法的反分析模型结果可知,改进GA-BP网络算法反分析模型在解的稳定性和求解精度上均得到了较大提高。研究成果可供类似工程参考。     

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PSO优化的BP神经网络在电动机绝缘剩余寿命预测中的应用

针对普通的电动机绝缘剩余寿命预测模型收敛速度慢、结果偏差大的缺陷,提出了一种基于粒子群算法(PSO)优化BP神经网络的电动机绝缘剩余寿命预测模型。首先,利用PSO算法全局随机最优解搜索的特性,对传统BP神经网络模型的权值和阈值进行优化设计。其次,为便于预测模型的运算处理,对采集的三相异步电动机的数据进行归一化处理。最后,结合经PSO算法优化的BP神经网络模型对三相异步电动机的绝缘剩余寿命进行试验预测。结果表明,基于PSO优化的BP神经网络比传统BP神经网络有更为精准的预测能力以及更快的收敛速度。     

基于花朵授粉算法和BP神经网络的短期负荷预测

为了提高短期电力负荷预测的准确性,降低因预测精度不高带来的电能损失,提出将花朵授粉算法（flower pollination algorithm,FPA）与BP神经网络相结合,利用FPA算法具有收敛速度快、全局搜索能力强的特点,对BP神经网络的权值和阈值进行优化,改善传统BP神经网络因权值和阈值的选择具有随机性而陷入局部最优和收敛速度慢的缺点。最后,通过某地区实际负荷数据验证了优化后的BP神经网络的预测精度得到了提高。     

遗传算法优化BP神经网络在求解水文地质参数中的应用

针对BP神经网络算法收敛速度慢、遗传算法搜索速度慢,两者单独求取水文地质参数效果不佳,结合两种算法的优点,采用遗传算法优化的BP神经网络方法求解水文地质参数,提高了运算速度和结果的准确性。以某抽水井为例,对比四种常见方法与本文算法的计算误差,结果显示采用遗传算法优化的BP神经网络方法求解水文地质参数误差最小,求参结果更为可靠。     

基于粒子群神经网络的热力站供热负荷预测

结合河北省秦皇岛市碧水园热力站的供热实际情况,提出了利用BP神经网络进行热力站供热负荷的预测。为克服标准BP算法收敛速度慢和易于陷入局部最小的问题,提出利用进化算法——粒子群算法进行神经网络初始状态的优化。在此基础上,进一步提出了混合粒子群算法和速度变异粒子群算法两种改进算法提高优化性能。计算结果表明,采用粒子群算法和BP算法相结合的办法,可以明显提高热负荷的预测精度。     

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CM-AFSA-BP神经网络的土石坝渗流压力预测

针对经典BP神经网络训练效率低、易陷入局部极值等缺点,利用云模型对传统人工鱼群算法(AFSA)进行改进,并采用改进后的云人工鱼群算法(CM-AFSA)对BP神经网络的权值和阈值进行优化,构建基于CM-AFSA-BP神经网络的预测模型。以某土石坝测压管水位为指标,利用CM-AFSA-BP神经网络预测模型对其渗流压力进行预测,并与同结构的经典BP神经网络预测结果进行对比分析。结果表明,CM-AFSA-BP神经网络模型在训练速度和预测精度上明显更优,在土石坝渗流压力预测和分析方面具有较好的适应性。     

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.     

基于GNBR算法的BP网络对绝缘子 运行状态预测研究

电力系统输电线路绝缘子运行中受到空气环境的污染,绝缘子表面污秽主要有大气中的盐密和灰密成分,不同地区不同环境下盐密和灰密对对绝缘子闪络电压影响具有非线性关系,为了较好辨识此非线性关系,运用基于GNBR算法的BP神经网络诊断该非线性关系,BP网络中采用GNBR算法,使网络具有很好的收敛性和很高的辨识精度,解决了BP网络局部最优、训练速度慢和辨识精度低的问题。实验结果表明设计的基于GNBR算法的BP神经网络能够很好地辨识绝缘子污秽对闪络电压的影响关系。