基于遗传算法优化BP神经网络的GIS设备放电故障诊断

为有效GIS设备放电故障诊断的快速性和准确性,采用近几年出现的遗传算法对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,遗传算法优化后的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,遗传算法优化BP神经网络对GIS设备放电故障诊断具有可行性和有效性。     

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。     

基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。     

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。     

基于遗传算法和神经网络的分时段风速预测方法

为提高风速预测的准确性,提出一种分时段GA-BP(遗传算法优化BP神经网络)的风速预测方法,以遗传算法来优化BP神经网络,并将原始数据进行分时段处理,改善训练样本的相似程度。基于matlab进行了仿真验证,结果表明:遗传算法优化BP神经网络使其预测结果的平均相对误差降低,准确性提升;原始数据分时段处理后,预测准确性进一步提升。     

基于SA-BP神经网络算法的电池SOH预测

针对传统BP神经网络在线估算锂离子电池健康状态(state of health,SOH)容易使权值陷入局部最优解,导致SOH预测不精确。结合模拟退火(simulate anneal,SA)算法能有效收敛于全局最优的特点,提出一种基于SA算法优化BP神经网络的锂离子电池SOH在线预测方法。以锂离子电池为研究对象,分析了微分电压、欧姆内阻、循环次数与电池SOH的关系,并以此作为电池的健康状态因子(health indicator,HI)输入至BP神经网络。利用SA算法优化BP神经网络的权值,使预测模型得到最优解。实验结果表明:利用优化算法对电池SOH进行预测,其最大误差仅为1.98%,平均误差为1.09%。相较于传统BP神经网络,优化算法预测最大误差降低了5.62%,平均误差降低2.33%。从而验证了基于SA算法优化BP神经网络能够获取全局最优值并提高电池SOH估算精度是有效的。     

基于DEA和遗传BP神经网络的电网技术改造造价预测

针对电网工程技术改造项目工程造价的重要性,分析技术改造造价预测可使用的模型,提出了一套基于数据包络分析(DEA)和遗传BP神经网络模型的电网工程技术改造项目的组合预测方法。该方法利用DEA筛选输入指标和样本数据,做到数据层面的优化,通过遗传算法(GA)的全局寻优能力,寻找并优化神经网络的权值和阈值,利用神经网络(BPNN)的局部寻优能力强的特性,快速收敛至最优解,获得技术改造项目造价预测的能力,仿真算例证明,组合预测模型准确地反映了实际工程造价,对电网工程技术改造项目的造价预测具有参考价值。     

一种新型光伏阵列最大功率点预测模型的研究

光伏阵列最大功率点预测在光伏发电控制系统具有重要地位,由于光伏阵列受到温度、光强、阴影等非线性因素的影响,传统的解析方法难以获得理想的预测结果。研究了一种基于遗传算法改进的BP网络光伏阵列最大功率点预测模型,利用遗传算法的全局搜索能力,对BP神经网络的权值和阈值进行优化,有效克服了BP网络容易陷入局部最小的问题。仿真表明,基于遗传算法优化的光伏阵列最大功率点预测BP网络具有良好的泛化能力和一定的有效性。     

基于改进遗传算法的电网投资组合预测方法

提出了一种通过改进遗传算法并综合利用灰色预测GM(1, N)模型、BP神经网络模型、多元回归模型建立的电网投资组合预测模型。基于传统遗传算法对组合预测约束条件进行了优化并改进了遗传算法中交叉算子和变异算子,从而使算法具有更强的全局搜索能力和收敛能力。利用所提出的组合预测模型对某地区电网投资进行预测的结果表明,相比于单一预测模型和其他两种组合预测模型,所提组合预测模型能充分利用原始数据的信息,具有更高的预测精度。     

风电场风速的神经网络组合预测模型

针对BP神经网络、RBF神经网络和粒子群BP神经网络在风电场风速预测中存在的问题,提出一种基于遗传算法优化神经网络的风速组合预测模型.该模型为单输出的3层前馈网络,将3种神经网络的预测结果与预测结果平均值作为神经网络的输入,将实际风速值作为神经网络输出,使学习后的网络具有预测能力.该模型能降低单一模型的预测风险,提高预...     

基于遗传单纯形神经网络的大坝变形监控模型

本文针对遗传算法局部搜索能力差的缺陷，把单纯形法嵌入到遗传算法中构成复合遗传算法，建立了基于遗传单纯形神经网络的大坝变形监控模型。实例研究表明，该模型较遗传神经网络模型、BP模型收敛性能好，具有较高的预报精度、较快的训练速度和较强的泛化能力，用于大坝变形预测有效可行，具有良好的应用前景。     

基于自适应变异蝙蝠优化BP神经网络的短期风电功率预测

风电规模化并网技术的大力发展,进一步增大了对电力系统规划与运行的影响。现今,风电机组出力面临着波动的随机性以及不确定性的技术性问题,为了提高短期风电功率预测的精度,文中提出了一种结合基于群体适应度方差自适应变异的蝙蝠优化算法(AMBA)与BP神经网络算法,就短期风电功率进行精准预测。该模型根据群体适应度方差以及当前最优解的数值来定位当前最优个体的变异概率,并对全局最优个体进行t分布变异,对变异后的蝙蝠个体进行二次寻优。利用AMBA优化BP神经网络中包含的网络参数,进而提高了BP神经网络的预测精度。通过对实例进行分析,将AMBA-BP模型预测效果与其他模型预测结果相对比。结果表明,该模型能有效提高短期风电功率预测精度。     

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。     

基于PFA-MBAS-BP神经网络模型的光伏发电短期预测

针对光伏发电短期预测模型的输入变量多且关系复杂、BP神经网络稳定性差且易陷入局部最优解等问题,建立了一种基于主因子分析法(PFA)和优化天牛须搜索算法(MBAS)的改进BP神经网络光伏发电短期预测模型。该模型首先对光伏历史发电数据和气象数据进行降维简化分析,利用主因子分析法对影响光伏发电的主要因素进行相关性分析,选取主因子作为预测模型输入量。然后利用MBAS算法的空间寻优搜索,选取BP神经网络训练的最优权值阈值。最后,利用实测历史数据对不同预测模型进行仿真对比。仿真结果表明,所建立的改进模型的预测精度可达92.5%,图像数据拟合程度高且适用多种天气类型的光伏发电预测。     

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。     

Multi-Point Prediction of Aircraft Motion Trajectory Based on GA-Elman-Regularization Neural Network

Abstract

Aiming at the problem that the traditional algorithm has large prediction error on motion trajectory and short prediction distance, this paper proposes a GA-Elman-Regularization based neural network method. The GA algorithm has the characteristics of parallel search global optimal solution, which makes up for the shortcomings of static property given by neural network model and the tendency of training algorithm to fall into partial optimal solution, and introduces regularization terms to improve the generalization ability of the network, also improves the prediction accuracy of the network. Comparison of experimental results of motion trajectory prediction by Elman neural network, GA-Elman neural network and GA- Elman-Regularization neural network on semi-physical dataset, the predicted average errors are 1.37%, 0.82% and 0.556%. Experiments show that the optimized algorithm improved the generalization ability of the network and the accuracy of prediction.     

基于灰色BP神经网络的实验材料供应预测

针对单一BP神经网络对实验器材需求量预测准确度偏低的情况,提出了一种将灰关联分析与BP神经网络相结合的实验材料需求预测模型。先用灰关联分析法计算出影响需求量的各因子之间的关联度,然后选择关联度较大的3个优势因子作为BP神经网络的训练样本,建立了3层BP网络预测模型。以某实验材料的实际需求量为实例进行算法检验,对比分析了灰色BP网络模型和单一BP网络模型的预测准确性。实验结果表明：灰色BP网络模型将原有6 10 1的BP网络结构简化为3 6 1结构,灰色BP网络模型预测的最大相对误差仅为-1.36%,而单一BP网络模型的预测最大相对误差为-4.18%,灰色BP模型比单一BP模型的预测精度更高,结构更简单。