基于海鸥优化算法的相关向量机模型在径流预测中的应用

为提高径流预测精度,提出了基于海鸥优化算法(SOA)的相关向量机(RVM)径流预测模型(SOARVM)。选取4个标准测试函数对SOA进行仿真验证,并与PSO算法的仿真结果进行比较;通过主成分分析(PCA)对数据样本进行降维处理,利用SOA优化RVM核宽度因子和超参数,建立SOA-RVM径流预测模型,利用云南省龙潭站年径流及枯水期1～3月月径流预测对SOA-RVM模型进行验证,并将预测结果与RVM、SOA-SVM、SVM、SOA-BP、BP模型进行比较。结果表明,SOA在不同维度条件下仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力;SOA-RVM模型对实例年径流和1～3月月径流预测的平均相对误差分别为1.77%、4.46%、5.40%、4.03%,预测精度优于RVM、SOA-SVM、SVM、SOA-BP、BP模型。可见SOA-RVM模型具有更好的预测精度,可用于径流预测研究。     

PSO RBF神经网络在城市需水量预测中的应用

为克服径向基函数（RBF）神经网络由于参数选取不当而对其收敛性能的干扰,利用粒子群优化算法（PSO）的全局搜索能力对RBF神经网络的三个参数进行寻优,建立了基于PSO RBF神经网络算法的城市需水量预测模型。结果显示,PSO RBF神经网络算法拟合某市1998～2007年需水量数据的平均相对误差为0.18%,预测2008～2010年需水量数据的平均相对误差为3.84%,耗时1.2 s;通过RBF神经网络算法拟合的误差平均值为0.28%,预测的平均相对误差为5.62%,耗时2.1 s,表明PSO RBF神经网络算法具有更高的收敛速度与精度。     

基于BP神经网络的热管式真空管集热器热性能预测校正模型

基于BP神经网络建立了热管式真空管集热器热性能的预测校正模型.该模型采用了LM和BR两种网络训练方法,经实验数据验证,预测校正模型输出结果的最大相对误差为2.8%,平均相对误差为1.2%,而数学模型输出结果的最大相对误差为6.2%,平均相对误差为4.3%,证明此预测校正模型的预测校正效果较好.应用该集热器热性能预测校正模型,可较精确地预测出不同运行状态、不同环境下集热器的出口温度,提高了系统的仿真精度.     

基于变分模态分解和改进鲸鱼算法优化的模糊神经网络风速预测模型

风速预测在风电场安全并网和智能化管理中起着决定性作用,针对风速的非线性和不稳定等特点,提出了一种基于变分模态分解(VMD)和改进鲸鱼算法优化的模糊神经网络(VMD-CGWOA-ANFIS)的混合预测模型。该模型首先使用变分模态分解技术将原始风速序列分解为一系列子序列,而后对各子序列分别采用模糊神经网络(ANFIS)建立预测模型。为进一步提高预测精度,同时克服鲸鱼(WOA)算法容易陷入局部最优和收敛过早的缺点,引入共轭梯度算法(CG)对WOA进行改进,利用改进的CGWOA算法对ANFIS参数进行优化。使用优化后的ANFIS分别对变分模态分解后的各子序列进行预测,最后将预测后的各子序列叠加得到最终预测结果。为测试模型的有效性,选择宁夏地区3组实际风电数据进行模拟试验,将ANFIS,VMD-ANFIS,VMD-WOA-ANFIS与提出模型进行对比,结果表明所提出的混合模型预测精度明显高于其他对比模型。     

基于PSO-SVR的排汽比焓软测量建模研究

为更好地对汽轮机排汽比焓进行测量,将粒子群优化算法引入支持向量回归SVR模型中,构建与之相匹配的排汽比焓软测量预测模型。根据实例校验方法对该模型展开校验,采用汽轮机15种参数作为输入参数,排汽比焓作为输出参数。对某300 MW机组和200 MW机组数据进行仿真,并将该模型与标准SVR模型和双隐层RBF过程神经网络模型预测结果进行对比,对于300 MW机组,该模型的预测平均相对误差为0.101%,均方根误差为0.110%;对于200 MW机组,该模型的预测平均相对误差为0.057%,均方根误差为0.062%;与其他两种模型相比,PSO-SVR模型的预测平均相对误差和均方根误差均最小。实例证明PSO-SVR的排汽比焓软测量预测模型在精确度以及泛化能力等方面呈现出一定的优势,具有较好的预测能力。     

基于物理成因的中长期径流预测模型研究

可靠的中长期径流预测对水资源开发等具有重要意义。为此,筛选了影响径流的主要物理因子,引入极端梯度提升(XGBoost)算法构建中长期径流预测模型,通过纳什效率系数评价模型精度,并与多元线性回归模型(LR)、梯度提升决策树模型(GBDT)进行比较。实例应用结果表明,该模型对月径流过程的预测精度较高,训练期和验证期的纳什效率系数均值分别达到了0.9和0.7,且泛化能力优于GBDT模型和LR模型,用于中长期径流预测具有一定的可靠性和稳定性。     

基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。     

基于RVM的大坝变形监测时间序列非线性预警模型

建立合理的大坝变形预警模型对于大坝安全稳定运行意义重大。为提高预测精度,建立以相关向量机(RVM)为理论基础的时间序列非线性预警模型,采用一种精度较高的时间序列短期预测(自回归移动平均ARMA)模型修正RVM预测模型的误差序列,同时采用一种改进的粒子群算法(PSO)寻优核函数。实例验证结果表明,修正后的模型预测结果精度明显提高,可为类似工程提供参考。     

基于PSO-SVM的景观湖泊水体叶绿素a含量预测

针对目前景观湖泊富营养化严重的问题,提出了一种基于粒子群算法(PSO)优化支持向量机(SVM)的叶绿素a含量的预测方法。利用2017年5～10月广西大学碧云湖的水质监测数据和气象数据进行主成分分析,确定影响水体叶绿素a含量的主要因素为TN、TP、浊度、温度、光照时长和pH值,并将其作为PSO-SVM模型的输入量,以预测景观湖泊水体叶绿素a的含量;将该模型应用于镜湖、鉴湖和月牙湖水体叶绿素a含量的预测以验证模型的适用性。结果表明,基于PSO-SVM模型的碧云湖的叶绿素a含量预测的平均平方误差仅为1.25%,平均相对误差为2.46%;该模型对镜湖、鉴湖和月牙湖水体叶绿素a含量拟合值的平均平方误差分别为3.17%、4.05%、2.42%,平均相对误差分别为3.48%、4.31%、2.80%。PSO-SVM模型可以很好地运用于景观湖泊水体叶绿素a含量的预测,可为湖泊富营养化防治提供参考。     

PSO及SM-PSO算法在Jensen模型参数求解中的应用

针对传统的求解Jensen 模型敏感指数的回归分析法（LR）存在的有偏估计和拟合精度不高等问题,利用粒子群算法（PSO）和单纯形法—粒子群算法（SM-PSO）分别对模型的敏感指数进行求解并与传统方法进行对比。结果表明,回归分析法、PSO算法和SM-PSO算法所得模型计算的相对产量与实际相对产量的平均相对误差分别为3.1%、1.8%和1.4%,说明PSO算法和SM-PSO算法均优于传统算法,尤其是SM-PSO算法收敛速度更快、拟合精度更高,是一种有效的求解Jensen 模型敏感指数的方法。     

基于Elman神经网络的锦屏一级水电站年平均径流量集合预报研究

为预报锦屏一级水电站年平均径流量,根据其1960~1999年逐年年平均径流量与上年(1959~1998年)逐月74项大气环流指数的相关关系,选出相关性高且与年平均径流有物理联系的大气环流指数作为预报因子;利用多个Elman神经网络建立年平均径流量的集合预报模型,并采用锦屏一级水电站1960~1999年的逐年年平均径流量和筛选的预报因子数据对模型参数进行率定,2000~2011年的逐年年平均径流量对模型预报效果进行检验。结果表明,基于Elman神经网络的单一模型的范化能力较好,多模型的集合预报精度比单一模型的预报精度有进一步提高,可为锦屏一级水电站水资源调度提供参考。     

Adaptive Neuro-Fuzzy Inference System modelling for performance prediction of solar thermal energy system

This study investigates in details the applicability of Adaptive Neuro-Fuzzy Inference System (ANFIS) approach for predicting the performance parameters of a solar thermal energy system. Experiments were conducted on the system under a broad range of operating conditions during different Canadian seasons and weather conditions. The experimental data were used for developing the ANFIS network model. This later was then optimised and applied to predict various performance parameters of the system.The predicted values were found to be in excellent agreement with the experimental data with mean relative errors less than 1% and 9% for the stratification temperatures and the solar fractions, respectively. The results show that ANFIS approach provides high accuracy and reliability for predicting the performance of energy systems.Furthermore, the ANFIS prediction results were compared against the ANNs predictions of Yaïci and Entchev [Appl Therm Eng 2014; 73:1346–57]. Results showed that the ANFIS model performed slightly better than the ANNs one. However, the ANNs method provided more flexibility in terms of model implementation and computing speed capabilities.Finally, this investigation demonstrates that ANFIS is an alternative powerful and reliable method comparable to the ANNs; they can be used with confidence for predicting the performance of complex renewable energy systems.     

Neuro-Fuzzy Modeling of the Free Convection Heat Transfer From a Wavy Surface

In this paper an adaptive neuro-fuzzy inference system (ANFIS) is applied to model and predict the experimental results of free convection heat transfer from a vertical array of attached cylinders, which can be considered as a wavy surface, in the presence of a vertical wall. The effects of the wall–wavy surface spacing and Rayleigh number variation on average heat transfer from the wavy surface are considered via this prediction. The training data for optimizing the ANFIS structure are based on available experimental data. A hybrid learning algorithm consisting of gradient descends method and least-squares method is used for ANFIS training. The proposed ANFIS model is developed using MATLAB functions. For the best ANFIS structure obtained in this study, the mean relative errors of the train and test data were found to be 0.02% and 1.2%, respectively. The predicted results showed that ANFIS can predict the experimental results precisely.     

ENSO事件影响下长江大通站汛期径流预测建模分析

从环流指数和ENSO事件指数出发,考虑到大尺度环流系统和海温影响的长期性,使用滑动平均方法对预报因子做前期处理,计算了预报因子在2、3、6月尺度的滑动平均值。在此基础上采用BP神经网络建立了长江大通站汛期径流预测模型（BP-Pre）,重点对ENSO事件影响下的径流极值进行预测。为验证模型可行性,采用均生函数模型和利用传统因子建立的BP模型（BP-Ori）作对照分析并进行精度评价。结果表明,部分因子在滑动平均处理下Spearman秩相关系数得到提高;历史平均上,大通站汛期径流与前年发生的ENSO事件关系密切;事件类别不同,对应径流也相对偏大或偏小;BP-Pre模型在率定期拟合效果不及均生函数模型和BP-Ori模型,但从多方法综合评价分析来看其检验期的预测精度更高,对径流极值预测更为精准。     

基于机器学习方法的安徽省年降水量预测

为准确、可靠地预测安徽省的年降水量,基于安徽省1900～2009年的均一化降水量数据集,使用信号分析技术和机器学习方法建立区域年降水量预测模型。Morlet小波分析和EEMD结果显示,研究区域历史年降水量序列大致存在3、5、20年左右的周期。为提高模型精度,建立5种输入层为3个节点、输出层为1个节点的机器学习模型,即BPNN、WANN、TSNN、SVM、ELM。按4∶1原则,将整理好的样本集中的前85组作为模型训练集,后22组作为测试集。结果表明,5种模型表现较好,率定期的平均相对误差分别为6.1%、12.1%、14.3%、14.3%、13.2%;验证期的平均相对误差为20.6%、13.6%、12.5%、13.0%、14.3%,合格率分别为63.7%、72.7%、77.3%、77.3%、72.7%。总体来看,除BPNN模型外,其余模型均较理想,机器学习方法在非线性水文序列的模拟和预测中具有较好的适用性和可靠性。研究成果可为安徽省未来水资源规划、配置提供指导。     

基于加权秩次集对分析法的年径流预报模型

针对秩次集对分析方法在年径流预报中存在的问题,对其历史集合中的各元素所在位置与后续值的位置之间的间隔赋予了不同的影响权重,构建了年径流加权秩次集对分析预报模型,给出了模型在年径流预报应用中的步骤,利用黑河干流莺落峡站1945～2009年的实测径流资料检验了该模型的有效性,并与秩次集对预报模型、ARIMA预测模型及BP预测模型的预测结果进行了比较。结果表明,加权秩次集对预报模型的平均误差为12.29%、合格率为100%,本文对秩次集对预报模型的改进有效、可行。     

浑河流域中上游河川径流变化特征分析

基于浑河流域中上游北口前站和大伙房水库站实测逐月径流资料,借助累积滤波器、Mann-Kendall法、分摊熵、绝对变化幅度和相对变化幅度等方法和指标,研究了浑河流域中上游河川径流年际和年内变化特征及趋势。结果表明,北口前站径流年内分配呈单峰型,其年径流呈不显著增加趋势,最大月径流由7月向8月转移;大伙房水库站径流年内呈双峰型分布,其年径流呈不显著减少趋势,汛期各月径流显著减少,非汛期各月径流增加;北口前站、大伙房水库站径流年内绝对变化幅度、相对变化幅度逐渐减小,但北口前站径流年内分配整体趋于更不均匀,大伙房水库站径流年内分配趋向于均匀,这有助于大伙房水库下游河流生态系统的健康和稳定。     

基于EMD分解的AR模型在年径流预测中的应用

为提高年径流中长期预测的精度,提出了一种新的时间序列预测方法——基于EMD分解的AR模型,以汾河上游上静游、汾河水库、寨上和兰村四座水文站1956~2000年的年径流序列为例,首先利用经验模态分解(EMD)方法将四座水文站的年径流序列分解为若干个固有模态函数(IMF)分量和一个残余项分量,然后运用自回归(AR)模型分别对各阶IMF进行预测,最后将各阶预测值重构得到年径流量预测值与单独运用AR模型的预测结果进行比较。结果表明,运用基于EMD分解的AR模型对汾河上游年径流进行预测,其预测精度比单独运用AR模型的预测精度有明显提高,表明该方法可行、有效。     

Prediction of thermal and fluid flow characteristics in helically coiled tubes using ANFIS and GA based correlations

This study introduces the ability of Adaptive Neuro-Fuzzy Inference System (ANFIS) and genetic algorithm (GA) based correlations for estimating the hydrodynamics and heat transfer characteristics in coiled tubes. The experimental data related to the heat transfer and pressure drop in helically coiled tubes with deferent geometrical parameters (coil diameter and pitch) were used. In the experiments, hot water was passed in the coiled tubes, which were placed in a cold bath. Two ANFIS models were developed for predicting the Nusselt number (Nu) and friction factor (f) in the coiled tubes and the geometric parameters were employed as input data. Moreover, empirical correlations for estimating the Nu and f were developed by a phenomenological argument in the form of classical power–law correlations and their constants were found using the GA technique. The mean relative errors (MRE) of the developed ANFIS models for estimation of Nu and f are 6.24% and 3.54%, respectively. On the other hand, for empirical correlations, a MRE of 8.06% was found for prediction Nu while MRE of 5.03% was obtained for f. The results show that the ANFIS models can predict Nu and f with the higher accuracy than the developed correlations.     

ANFIS-based modelling for photovoltaic power supply system: A case study

Due to the various seasonal, monthly and daily changes in meteorological data, it is relatively difficult to find a suitable model for Photovoltaic power supply (PVPS) system. This paper deals with the modelling and simulation of a PVPS system using an Adaptive Neuro-Fuzzy Inference Scheme (ANFIS) and the proposition of a new expert configuration PVPS system. For the modelling of the PVPS system, it is required to find suitable models for its different components (ANFIS PV generator, ANFIS battery and ANFIS regulator) that could give satisfactory results under variable climatic conditions in order to test its performance and reliability. A database of measured climate data (global radiation, temperature and humidity) and electrical data (photovoltaic, battery and regulator voltage and current) of a PVPS system installed in Tahifet (south of Algeria) has been recorded for the period from 1992 to 1997. These data have been used for the modelling and simulation of the PVPS system. The results indicated that the reliability and the accuracy of the simulated system are excellent and the correlation coefficient between measured values and those estimated by the ANFIS gave a good prediction accuracy of 98%. Additionally, test results show that the ANFIS performed better than the Artificial Neural Network (ANN), which has also being tried to model the system. In addition, a new configuration of an expert PVPS system is proposed in this work. The predicted electrical data by the ANFIS model can be used for several applications in PV systems.