基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

遗传算法优化的BP神经网络压电陶瓷蠕变预测

针对压电陶瓷驱动器的蠕变误差随时间呈现非线性变化,会严重影响其定位精度的问题,提出遗传算法优化BP神经网络的压电陶瓷蠕变预测算法。采用遗传算法优化了BP神经网络的权值和阈值,构建了基于遗传算法的BP神经网络(GA-BP算法)的蠕变预测模型。用GA-BP算法对压电陶瓷蠕变进行了预测仿真,并将结果与实测数据进行了对比。结果表明,获得的蠕变预测结果与实验数据的最大绝对误差均不超过0.2μm,最大蠕变误差均小于1.5%,最大均方误差仅为0.004 6,因此,GA-BP预测模型可作为预测压电陶瓷蠕变误差的一种有效手段。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于主成分分析与遗传优化BP神经网络的风电场短期功率预测研究

为降低风电场弃风率及对电网稳定性影响,对风电场短期功率进行准确预测显得十分重要。针对传统BP神经网络泛化能力差、网络收敛速度慢等问题,建立了一种基于主成分分析与遗传优化BP神经网络相结合的风电场短期功率预测模型。首先,利用主成分分析法对风电场原始气象数据进行分析,将得到的独立变量作为BP神经网络的输入;然后利用遗传算法确定了神经网络的最优初始权值和阈值的大致范围,并用L-M算法对BP网络权值和阈值进行细化训练;最后,利用中国北方某风电场实际运行数据进行验证,结果表明,所建立的预测模型合理有效,不仅可以加快BP神经网络收敛速度,减少预测误差,还可以提高风电场短期输出功率的预测精度,具有一定的工程应用价值。     

基于改进神经网络算法的数控钻攻中心进给轴热误差预测

为降低数控机床热误差对数控钻攻中心的影响,提高工件的加工精度,解决不同工况下热误差预测精度不佳的问题。 在进给速度为 10 m/ min、环境温度 20°的工作条件下进行数控机床进给系统热误差测量实验,采用鹈鹕优化算法对神经网络进 行优化,确定 BP 神经网络的最优权值和阈值,建立进给系统热误差的 POA-BP 预测模型,并与传统 BP 神经网络和 GA-BP 神经 网络以及 SCN 随机配置网络进行实验对比分析。 结果表明,传统 BP 神经网络预测平均相对误差为 12. 23%,GA-BP 神经网络 平均相对误差为 11. 5%,SCN 预测模型预测平均相对误差为 12. 71%,POA-BP 预测模型预测平均相对误差为 9. 93%,精度有所 提升。 结论:提出的鹈鹕优化算法改进的神经网络在热误差预测中具有较强的有效性和精确性,可以提高进给运动精度,为热 误差补偿的实现提供理论指导。     

基于PSOEM和神经网络的光伏电站功率预测

分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法（PSO）和带扩展记忆粒子群优化算法（PSOEM）这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。     

基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测

建立了铅酸蓄电池充电过程中SOC的神经网络预测模型,采用平均影响值(M1V)算法对预测模型的输入变量进行了分析和筛选.在MIV算法的基础上,比较了基于遗传算法优化的BP神经网络(MIV-GA-BP)与传统MIV-BP神经网络对蓄电池充电过程中SOC的预测误差.测试样本的验证结果表明,MIV-GA-BP神经网络模型对蓄电池充电过程的SOC预测精度更优.     

基于GA-BP神经网络的变压器绕组热点温度预测

本文针对现有变压器绕组热点温度预测方法中存在的不足,采用遗传算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络容易陷入局部最小值的缺陷,加快了算法的收敛速度,建立基于遗传算法优化BP神经网络的变压器绕组热点温度预测模型。利用500组变压器试验数据进行仿真,结果表明,基于GA-BP神经网络的变压器绕组热点温度预测值与实际值的变化趋势基本一致,平均相对误差和均方根误差分别为2.05%和0.21。     

燃煤烟气中汞形态分布的神经网络预测研究

目前对燃煤电站烟气中汞形态浓度的预测模型尚不完善。将BP神经网络和GA遗传算法相结合组成GA-BP神经网络算法,用于燃煤烟气中汞形态浓度分布的预测。使用遗传算法对BP网络的初始权值进行优化,可以在解空间中定位出较好的搜索空间,然后采用BP算法在这个小的解空间中搜索出最优解。对75组燃煤电厂烟气中的汞浓度实测数据进行神经网络算法的训练和预测,结果表明GA-BP神经网络模型不仅可以预测燃煤烟气中汞形态浓度的分布,而且具有较高的预测精度。     

基于改进MOPSO-BP算法的短期电力负荷预测研究

短期电力负荷预测为电力规划的科学性、电力调度的合理性、电力运行的经济性提供了有效的指导,近年来,神经网络在预测短期电力负荷中得到了广泛应用。针对BP神经网络预测方法的自主学习能力强但预测结果容易陷入局部最小值的缺点,首先建立了三种短期电力负荷预测模型,分别是基于BP神经网络的预测模型,基于自适应网格法的多目标粒子群优化算法(MOPSO)优化BP神经网络的MOPSO-BP预测模型,以及基于拥挤距离法改进的MOPSO优化BP神经网络的改进MOPSO-BP预测模型;再利用Matlab软件进行仿真对比,研究哪种模型预测电力负荷的精度更高。结果显示,基于拥挤距离法的改进MOPSO-BP模型预测结果比其他两个预测模型的预测结果更接近真实负荷值,这表明利用改进MOPSO-BP模型对电力负荷预测的效果最好,可以为现场短期电力负荷预测提供理论依据与借鉴。     

神经网络响应面在堆石坝流变反演中的应用

堆石体的流变参数对高面板堆石坝的长期安全性分析具有重要意义。参数反演可以准确获得符合坝体实际长期变形规律的流变参数。本文分别采用反向传播神经网络（BP）和径向基神经网络（RBF）构造出待反演参数与位移值之间的响应，引入统计学回归预测模型中的均方根误差（RMSE），平均绝对百分比误差（MAPE）和线性回归决定系数（R2）等指标来全面评估不同神经网络响应面映射能力的优劣，从而提高参数反演的效率和准确率。结果表明，RBF神经网络响应面的评估指标均优于BP神经网络响应面。利用RBF神经网络响应面和多种群遗传算法（MPGA）得到反演后的流变参数并将其用于有限元计算，得到的蓄集峡坝体沉降值在大小和分布上与实测值有很好的一致性。     

基于GA优化BP神经网络的微电网蓄电池健康状态评估

由于微电网蓄电池在工作过程中其电力性能会发生退化,其性能退化具有明显的非线性和波动性的特征,传统的数学建模方法普适性差、不同工况条件下预测受限、精度不足,难以准确的评估其健康状态。针对上述问题,构建了标准BP神经网络和基于遗传算法优化的BP神经网络,借助微电网蓄电池每次放电过程中的可测参数对网络进行训练,使神经网络的权值和阈值得到较为准确的调整。通过测试集对建立的神经网络进行测试,结果表明,基于遗传算法优化的BP神经网络能有效提高评估结果的准确性,使误差结果控制在精度要求的范围内,最大误差在5%以内,平均误差2%。证明了基于遗传算法优化的BP神经网络对不同工况条件下的蓄电池SOH的精确评估是有效可行的。     

基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测

针对短期负荷预测的精度问题,文中提出基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法。在传统的灰色关联分析方法基础上,引入以距离相似性和形状相近性相关联的综合灰色关联度选取更高相似度的相似日。为缩小训练样本的差异程度,提高预测精度,利用相似日集合中的样本来训练蝙蝠优化的反向传播(BP)神经网络预测模型。以中国南方某城市的历史数据作为实际算例,将文中提出的基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法与单纯的BP神经网络法、蝙蝠优化BP神经网络法、传统灰色关联与蝙蝠优化的BP神经网络组合法的预测结果相比,结果表明文中方法的预测精度较高。     

基于串行式GA-BP的短期负荷预测方法

针对短期电力负荷预测问题,提出一种基于串行式遗传算法-反向传播神经网络模型的预测方法。首先,由关联分析法确定负荷主要影响因素。然后,确定反向传播神经网络1的输入量为负荷主要影响因素,输出量为相应负荷值,实现多因素回归预测。最后,将反向传播神经网络2串行式融入,并确定其训练数据集为反向传播神经网络1的预测值集,继而实现时间序列预测。两个反向传播神经网络在训练前均采用遗传算法进行初始权值阈值的优化,该方法实现了多因素回归预测与时间序列预测的融合。仿真结果表明,本文所提方法较其他同类型负荷预测方法具有更高的预测精度,可较好地应用于负荷预测工作。     

基于PCA和GA-BP神经网络的锂电池容量估算方法

本文针对车用锂离子动力电池容量估算方法精度不高的问题,提出了一种利用遗传算法优化BP神经网络的锂离子电池剩余容量估算方法。首先在整理NASA锂离子电池数据集后,得到不同健康状态下电池的容量增量曲线峰值。其次将健康因子进行主成分分析对其降维处理,利用遗传算法优化BP神经网络的连接权值,对锂离子电池容量进行预测。最后在NASA不同型号的电池上应用模型进行了验证。结果表明,所提出的方法可以在不同训练量的情况下准确估算4种锂离子电池的容量,其估算的方均根误差小于2%,且与未使用遗传算法优化的预测结果相比,该方法具有较高的预测精度。     

基于改进型遗传算法的混沌神经网络在电力负荷预测的应用

通过对陕西省省网历史负荷数据进行混沌特性分析,重构系统相空间,并计算最大Lyapunov指数,指出该时间序列具有混沌特性,从而采用混沌神经网络对该时间序列进行短期负荷预测。神经网络模型采用改进型遗传算法对权值和阈值进行学习和训练,优化神经网络权重,充分发挥遗传算法的全局寻优能力和神经网络的局部搜索性能。然后采用该网络进行预测,预测结果表明:该模型预测算法优于纯BP网络方法的预测结果,较大地提高了预测精度。