BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同小时类型的负荷差异,具有较高的预测精度.分析了如何采用BP多层感知器的隐层数及隐层单元数.最后对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度.     

改进型神经网络的热负荷预测

在城市集中供暖方面,热电厂的短期热负荷预测对提高热电厂的经济效益和热能利用率十分重要。该文以山西某热电厂的供热系统的换热站作为研究对象,使用遗传算法和粒子群算法改进BP神经网络,基于热负荷相关的历史数据构建改进型神经网络的热负荷预测系统。仿真结果显示,BP神经网络预测系统的波动程度比较大,预测精度低,而改进型的神经网络算法克服了这些缺点,在历史样本数据较少的情况下,仍然保持很高的预测精度,改进后的预测系统精度较高、稳定性较强,满足工业生产需求。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。     

基于模糊神经网络的电力负荷短期预测

电力系统短期负荷预测是电力部门的一项重要工作,它对合理安排机组启停、确定燃料供应计划、进行电力交易等都具有重要的意义.应用模糊神经网络结合遗传算法实现预测系统通过对历史数据的自适应学习建立的模糊预测模型,算法上采用改进的BP算法.通过MATLAB仿真分析了该预测系统的优越性和准确性.     

基于高斯模糊信息粒化和改进小波神经网络的短期负荷区间预测研究

针对现有短期负荷预测方法适应性不足、预测精度不高,WNN原始连接权值和阈值采取随机赋值并采用梯度学习算法进行修正,存在进化缓慢、易出现陷入局部极小或不收敛等问题,提出了基于高斯FIG和改进WNN的短期负荷区间预测新方法。用收敛速度更快的函数取代常用的输出层神经元函数,并用粒子群算法寻优取代WNN连接权值和阈值随机赋值。把网络连接权值和阈值作为粒子群算法微粒的位置向量,不断调整微粒的速度和位置向量以寻求最优值。选择了合适的数据跨度作为一个粒化窗口,对原始负荷数据进行了高斯模糊粒化处理,得到了对应的高斯FIG后的序列值,并用改进后的WNN对模糊序列值进行了区间预测。与WNN及SVM方法的对比研究结果表明,该方法不仅能够获得比单一负荷值更多的区间信息,而且预测精度更高,能够更好地指导电力系统相关决策。     

混流装配排序问题的改进人工蜂群优化

为解决离散的混流装配线作业排序问题,提出一种基于人工蜂群优化算法的改进算法。采用NEH启发式方法优化初始种群质量;在雇佣蜂算法中建立了变邻域区域搜索机制并嵌入模拟退火算法,提高了算法的搜索精度与广度;提出一种最优控制策略,通过限制最优解群体的成长速度,有效降低了种群相似度,提高了算法的全局搜索性能。实验方面,算法参数通过标准算例仿真对比设定,并采用Benchmark标准算例对所提算法与标准人工蜂群优化算法、遗传算法、混合遗传算法、改进粒子群优化等算法进行了对比。通过一个混流排序实例的仿真,对比证明了算法在求解混流装配线排序问题上的有效性。     

夏季短期负荷预测研究

近年来,气候异常,夏季温度异常高,尤其是经过数日的高温后,电力负荷往往会超出预期。因此考虑夏季高温的累积影响,建立了当天气温与近几天的气温之间的修正公式,采用人工神经网络法,利用修正后的气温去预测某天的负荷。算例表明,修正气温后,日最大负荷和日最高气温之间的相关性指数超过0.9,进一步地,夏季连续高温情况下的短期负荷的预测精度能够得到有效提高。     

神经网络自适应模糊控制在电力负荷预测中的应用

为了能够及时准确地进行电力系统短负荷的预测,采用了将神经网络和自适应模糊控制相结合的预测方法。首先通过神经网络进行负荷预测,然后将自适应模糊控制用于预测结果在线修正中。通过实验,证明了该方法的可行性。     

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。     

基于改进人工蜂群算法的数控切削参数优化

针对多道工序加工的切削参数优化问题,提出一种改进的人工蜂群算法对最小加工时间和最低生产成本的多目标切削参数模型进行优化。该算法综合了粒子群算法和人工蜂群算法的优点,优化过程中综合考虑了工件加工时的多种约束条件。通过仿真实例验证改进的人工蜂群算法的有效性和优越性,仿真结果表明:改进的人工蜂群算法相比其他算法可以寻找到更优的切削参数组合。     

基于改进人工蜂群算法的产品拆卸序列规划

为了提高复杂产品拆卸序列规划效率,提出了一种改进的人工蜂群算法用于此类问题求解。通过拆卸混合图表达产品零部件之间的连接关系和优先约束关系,并推导出可行拆卸序列的约束表达式,建立拆卸序列规划数学模型和适应度计算公式。对初始种群进行了优先约束规划,提出一种可行度算法用于蜂群对蜜源的搜寻与选择。定义了自适应选择参数、动态平衡可行度与适应度算法的优先配比,以实现复杂产品拆卸序列规划的快速求解。最后以内啮合齿轮泵为实例,利用所提方法进行了拆卸序列规划求解,通过分析实验结果,并对比传统人工蜂群算法,证明了该方法的可行性和高效性。     

基于人工蜂群算法的矿山泵机组运行优化

针对矿山井下排水系统能耗费用高的问题,结合分时电价,提出了以泵机组日排水耗电费用最小为目标,各时段水仓的水位为约束条件,各时段泵的开启台数为决策变量的矿山多泵机组日优化运行模型,并利用人工蜂群算法求解模型得到最优开机方案。最后以某煤矿排水系统的实际运行为例作了日优化运行计算,结果表明:该优化运行方案在满足矿山排水要求、保证安全生产的条件下,可显著降低排水费用。     

复杂环境下基于改进人工蜂群算法的机器人路径规划

为了使机器人在复杂环境下规划出最优路径,提出了基于改进人工蜂群算法的路径规划方法。分析了传统的人工蜂群算法原理;为适应复杂环境下路径规划,引入了小步长侦查蜂用于侦查跟随蜂可能前进方向的障碍物分布情况,根据侦查出的障碍物复杂度和节点与目标点距离对可行节点进行评分,得分大小作为跟随蜂选择下一节点的依据,这样就可以使跟随蜂成功避开障碍物复杂区域。使用改进算法进行路径规划,将规划结果与传统蚁群算法和传统人工蜂群算法比较,改进人工蜂群算法规划路径最短,且算法耗时最少。     

改进蜂群算法及其在圆度误差评定中的应用

针对基本人工蜂群算法(Artificial bee colony algorithm,ABC)的缺点,提出一种改进人工蜂群算法(Improved artificial bee colony algorithm,IABC),并应用于圆度误差最小区域评定中。该改进算法利用信息熵初始化种群,增强种群的多样性,并在引领蜂和跟随蜂搜索阶段,提出一种新的搜索策略,平衡算法的探索与开发能力。详细阐述IABC算法的基本原理与实现步骤,给出圆度误差满足最小包容区域条件的优化目标函数和收益度函数。通过基准测试函数验证IABC算法的有效性和准确性;通过对由三坐标机测得的多组测量数据进行圆度误差评定试验,结果表明IABC算法的评定精度优于最小二乘法、遗传算法以及粒子群算法等其他优化算法,且在求解质量和稳定性上优于ABC算法,验证了IABC算法不仅正确,而且适用于圆度误差的评定优化。     

基于改进粒子群和神经网络的订单预测研究

随着经济的快速发展,市场经济的竞争也越发激烈.企业为了更好地适应经济的发展,必须要有强大的竞争力.通过订单与客户保持联系,能够准确了解客户的需求,为企业的生产提供充足的准备时间,有利于实现快速生产.通过选择自适应权重粒子群算法和BP神经网络相结合的方法,建立神经网络模型,训练数据,得到预测结果.并通过一个企业的订单实例,完成订单预测,从而验证算法的实用性.     

切削表面粗糙度的人工神经网络预测

以易切削黄铜的加工表面粗糙度与各种加工参数的关系为对象,将L9( 34)型正交切削试验数据作为训练学习样本,同时以与正交试验参数有关的6个样本作为预测样本,用BP神经网络对其进行了预测。结果表明:经设计的BP神经网络训练1183次,其最大误差不超过5 % ;人工神经网络与正交试验相结合,能大大节省预测时间和费用,效果很好。     

人工蜂群优化BP神经网络在汽车座椅舒适性中的应用

汽车座椅舒适性的主观评价和客观评价之间的关系存在复杂性和高非线性的特点。传统的BP神经网络(反向传播神经网络)对初值敏感且容易陷入局部最优解,因此无法建立精确的座椅舒适度预测模型。针对该问题,提出利用人工蜂群算法优化后的BP神经网络(ABC-BP)来预测座椅的舒适性的方法。通过开展体压试验得到了176组压力分布样本数据,其中89%的数据作为模型的训练部分,11%的数据作为模型验证,将预测结果与真实值相比较,ABC-BP预测模型的均方误差MSE为0.0019,确定性系数R²为0.946,比传统BP神经网络预测模型得到的MSE降低了84.68%,R²提高了42.5%。结果表明,利用人工蜂群算法优化后的BP神经网络所建立的汽车座椅舒适性预测模型稳定性更强、预测效果更加精准。     

蜂群算法的改进及在热膨胀系数优化上的应用

电主轴的热变形是机床精密加工精度的非常关键的影响因素之一,而热膨胀系数是影响电主轴热变形的关键参数.热膨胀系数受多种参数的影响,呈较强的非线性关系,且没有精确数学模型进行描述.利用人工蜂群算法不依赖精确数学模型寻优的优势,对电主轴热变形模型中的关键系数—热膨胀系数进行优化,从而提出了基于改进人工蜂群算法的电主轴热变形模...