基于PSO-ELM算法的输变电工程造价预测分析

为了提高输变电工程造价预测的准确度,降低以后输变电工程建设的结余率,文中将筛选出的主要影响因素作为ELM模型的输入自变量,并利用粒子群优化算法(PSO)来优化ELM模型中权值和阈值,从而建立PSO-ELM(MIV)的输变电工程造价预测模型。以宁夏某电力公司2012-2013年的97组输变电工程造价样本数据为实例,分别使用PSO-ELM(MIV)、ELM(MIV)、PSO-ELM和ELM预测模型对实例数据进行验证,实验结果表明,相比于其他几种预测模型,PSOELM(MIV)预测精度高,实用型更强,可以为日后的输变电工程造价预测提供一种新的思路。     

基于种群划分与变异策略的粒子群优化算法

粒子群算法因其形式比较简洁，参数设置灵活，操作简便易行，并且能够快速收敛，从而引起广泛关注。但是传统的粒子群算法也有缺陷：收敛速度慢以及容易陷入局部最优等。针对这些问题，本文借鉴小生境的方法，在进化初始阶段，对种群进行划分，将初始种群分为子种群，对不同的子种群进行不同的变异策略；在进化过程中，针对不同的子种群，设置不同的惯性权重因子ω，用来增强全局搜索能力与局部搜索能力。实验结果表明，本文提出的算法较传统的粒子群算法具有较快的收敛性以及找寻的全局最优解更接近真实解集，收敛精度比较高。     

基于粒子群优化算法的五自由度机械臂轨迹规划

为了让机械臂的工作时间达到最优,以自主研发的抛光机器人样机为研究对象,针对手表表壳表耳部分的抛光过程,提出PSO算法对五自由度机械臂轨迹规划进行优化,并通过MATLAB软件进行机械臂的仿真与分析。仿真结果表明,基于PSO算法的轨迹规划使机械臂在工作过程中加加速度不会产生突变,运动轨迹精度高,机械臂工作时间达到最优。     

基于改进PSO-RBF神经网络的抽油机故障诊断

RBF神经网络在故障诊断中广泛应用,但其依赖于隐含层数据中心的选取是否合适,故引入模糊—C均值聚类(Fuzzy C-means Clustering Algorithm,FCM)算法对其进行优化.其网络结构参数中网络宽度以及隐含层到输出层的权值都是影响RBF网络性能的关键,运用改进粒子优化算法(Particle Swarm Optimization,PSO)对网络参数中宽度和权值进行优化.     

基于PSO-GRNN模型的埋地管道腐蚀剩余寿命预测

目的 构建埋地管道腐蚀深度预测模型,预测腐蚀管道的剩余使用寿命。方法 依据ASME B31G剩余强度评价标准,给出管道的最大允许腐蚀深度计算方法,引入广义回归神经网络（GRNN）,构建埋地管道腐蚀深度预测模型,采用粒子群算法（PSO）优化GRNN的网络参数,结合管道腐蚀发展趋势预测方法,对埋地薄弱管道进行腐蚀剩余寿命预测。以陕西省某埋地输油管道为例,选取8个主要外腐蚀因素,构建外腐蚀指标体系,借助Pycharm编程仿真,结合埋片试验,对该模型预测结果进行验证分析,并预测各腐蚀管段剩余使用寿命。结果 与BP模型相比,PSO-GRNN模型的管道腐蚀深度预测结果最大相对误差控制在13.77%以内,平均相对误差仅为6.63%。寿命预测结果显示,部分管段的剩余使用寿命未能达到其预期服役寿命。结论 所建模型预测性能要明显优于BP模型,预测精度更高,能够较好地预测埋地管道的最大腐蚀深度和未来的腐蚀发展规律,剩余寿命预测结果贴近实际,为管道的维修和更换提供了指导依据,在实际工程中,具有一定的应用价值。     

采用PSO算法对低压断路器的低能耗优化设计

在低压断路器的低能耗设计中,参数设置通常采用经验方式选取,因而很难实现能耗最低化。为此,在分析HSW6低压断路器能耗的数学物理模型的基础上,提出一种采用粒子群算法(PSO)进行低能耗参数优化设计的方法。首先对断路器的额定电流和内部功耗、铜耗、触头数、触头电阻等影响因素进行分析与建模,并转换成求解这一组参数的最优值问题;然后采用自适应PSO算法进行全局寻优得到参数最优解。实际应用表明,该文提出的基于PSO算法的低能耗参数优化设计方法不仅能实现断路器低能耗设计要求,而且提高了设计效率。     

基于变量选择与高斯过程回归的短期负荷预测

提高短期电力负荷预测精度是保障电网安全稳定运行的技术措施之一,通过选取影响负荷的最优输入变量集合,建立高斯过程回归(Gaussian process regression,GPR)短期负荷预测模型。负荷预测建模输入变量的选取对预测精度有很大影响,首先采用随机森林(random forest,RF)算法给出输入变量重要性评分(variable importance measure,VIM),并对各输入变量影响程度进行排序,基于序列前向搜索策略确定最优输入变量集合,避免人工经验选取的不足。其次针对共轭梯度(conjugate gradient,CG)法求解高斯过程回归模型超参数时易陷入局部最优解,且存在优化性能依赖于初值选取、迭代次数难以确定的问题,采用改进粒子群优化(particle swarm optimization,PSO)算法搜索模型超参数,形成优化高斯过程回归预测模型。最后,算例测试表明该模型的有效性。     

盾构密封舱土压预测及优化控制智能策略

盾构掘进过程中开挖面压力失衡易导致地表塌陷或隆起的灾难性事故。由于密封舱土压的变化情况与开挖面压力密切相关,因此精确预测及控制密封舱土压是有效预防开挖面压力失衡的关键技术之一。为建立密封舱土压的预测模型,首先从机理上对密封舱土压与掘进参数的关系,特别是刀盘扭矩对土压的影响,做了详细分析,以此为基础确定了密封舱土压模型新的输入输出参数。然后建立了依据密封舱压力传感器数据、基于最小二乘支持向量机（LS-SVM）的土压预测模型。并且基于此预测模型,以密封舱内四点土压预测值与设定值偏差最小为优化指标,采用粒子群算法（PSO）对控制参数进行在线优化,实时控制密封舱土压平衡。最后结合现场施工数据进行了仿真对比分析,验证了模型的有效性和准确性,为准确预测和控制密封舱土压,保证掘进过程安全提供了技术支持。     

基于单神经元和前馈补偿的电动加载复合控制

针对飞机舵机电动加载系统的力矩跟踪和干扰抑制的优化问题,提出一种基于单神经元和扰动前馈抑制的电动加载复合控制方法。首先利用改进的粒子群算法调整单神经元PID控制器的参数和系数K,然后对舵机角位移进行前馈补偿来抑制多余力矩,以减小舵机位置干扰对系统的影响;最后对电动加载复合控制系统进行仿真。仿真结果表明,系统的抗干扰能力及加载精度得到进一步提高,证明了该复合控制方法在理论上的可行性。