一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

基于改进PSO-RBF神经网络的光伏功率预测

针对RBF算法的隐节点中心和参数会影响光伏发电功率的预测精度,提出了一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化径向基函数网络(Radial Basis Function,RBF)算法,通过寻找相似日,将相似日的实际功率和影响光伏发电功率的气象因子数据作为输入,同时利用改进PSO优化RBF网络参数,建立预测模型进行训练和预测。在粒子群优化算法中,通过动态调整惯性权重,有效地提高了非线性问题的求解能力,采用改进粒子群优化算法优化径向基神经网络参数,兼顾了PSO和RBF神经网络模型的优点,具有较好的收敛速度和预测精度。通过实际光伏发电数据验证表明,该算法具有较高的预测精度。     

采用人群搜索算法的径向基函数神经网络参数整定方法

针对径向基函数(RBF)神经网络的逼近结构中,对权值、基宽和中心向量的初始值等参数的选取不当,导致系统的鲁棒性变差、收敛精度降低,甚至不再收敛的问题,提出一种基于人群搜索算法的RBF神经网络的参数整定方法.以基于遗传算法和基于粒子群算法的RBF神经网络参数整定方法为对比条件,采用MATLAB软件进行实验与分析.结果表明:应用人群搜索算法去优化RBF神经网络的初始参数,能有效地提升RBF神经网络的逼近精度,验证了该算法的可行性.     

基于免疫粒子群神经网络的短期预负荷测

针对电力系统短期负荷预测的特点,以及人工神经网络的自学习和复杂的非线性拟合能力,提出了基于径向基（RBF）神经网络的短期电力负荷预测模型．采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值．综合考虑气象、天气等影响负荷因素进行短期负荷预测．仿真试验表明,该方法同传统RBF神经网络相比,具有较高的预测精度,同时具有较强的实用性．     

基于改进粒子群算法的电力系统负荷预测

为了提高电力系统负荷预测的精度,并考虑到电力系统负荷的混沌特性,提出了将蜜蜂进化型粒子群算法和混沌神经网络相结合的负荷预测方法.构建了混沌神经网络模型,提出了蜜蜂进化型PSO算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO);以此来训练混沌神经网络参数,并且分别对基本粒子群优化算法和BEMPSO优化算法的模型进行仿真预测.结果表明提出的BEMPSO混沌神经网络负荷预测方法具有较强的泛化能力和较高的精度.     

基于PSO-RBF的边坡安全系数预测

传统的径向基函数(RBF)神经网络在边坡稳定性预测中已经得到了广泛的应用,但由于其在预测中易陷入局部最优且参数选取不当会对收敛性产生影响.故引入粒子群算法(PSO)对RBF神经网络进行优化,利用其全局搜索能力对RBF神经网络的隐含层基函数中心值、宽度以及隐含层至输出层的连接权值进行参数寻优,建立了基于PSO-RBF的边坡安全系数预测模型.以114组边坡数据为训练样本,8组边坡数据为测试样本,结果显示基于PSO-RBF网络预测结果的最大误差为7.36%、最小为0.18%、平均误差为3.77%,而基于单纯RBF网络的预测结果的相应误差分析别为11.04%、1.34%、6.19%.可以看出,前者的预测结果明显优于后者,表明经粒子群算法优化后的RBF在预测精度上有了明显的提高.     

基于改进PSO和模糊RBF神经网络的退火炉温控制

为提高对具有大滞后,强耦合的退火炉温度控制系统的控制精度,采用模糊径向基函数(RBF)神经网络控制炉温,并采用改进粒子群优化(PSO)算法进行优化。利用模糊推理过程与RBF神经网络所具有的函数等价性,统一系统函数。在利用改进PSO算法对模糊RBF神经网络进行训练时,先利用改进PSO算法得到模糊RBF神经网络的初始权值和阀值,然后对其进行二次优化得到最终的权值和阀值。仿真结果表明:该文方法降低了超调量,缩短了响应时间,稳态误差很小,能够拟合参考模型的输出,控制效果明显优于常规PID控制。     

基于QPSO-RBFNN的短期电力负荷预测模型

为了提高短期电力负荷预测的精度,提出了一种量子行为粒子群优化(Quantumbehaved particle swarm optimization,QPSO)算法和径向基函数神经网络(Radical basis function neural network,RBFNN)相结合的电力负荷短期预测模型。通过K-均值聚类算法确定RBFNN的基函数中心,并用粒子群优化算法优化神经网络权值,在加快RBFNN收敛速度的同时提高预测精度。以实际负荷数据进行预测验证,预测负荷的均方根误差小于0.01,验证了模型的合理性和有效性。     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

基于PSO-RBF监测预测模型的电力电子电路

针对现有电力电子电路故障状态预测技术的不足,提出将电路特征性能参数与粒子群算法(PSO)优化的径向基函数(RBF)神经网络相结合,对电力电子电路进行故障状态监测预测.以电源电路中Buck电路为例,选择电路输出电压作为监测信号,提取输出电压平均值及纹波电压值作为电路特征性能参数,并利用改进后的RBF神经网络实现状态预测.结果表明,利用PSO改进后的RBF神经网络对电路输出平均电压和纹波电压的预测比单纯RBF神经网络预测的结果更加精准,能够跟踪电源电路状态特征性能参数的变化趋势,有效实现电力电子电路状态监测和预测.     

基于粒子群算法的短期电力负荷预测

根据电力负荷的主要影响因素,考虑了休息日和气候因素的影响,建立了基于粒子群算法(PSO)的级联网络短期负荷预测模型.通过粒子群算法对级联网络的训练进行优化,提高模型的运算速度.结果表明,该方法预测精度较高,效果较好.     

基于自适应粒子群算法的GM(1,1)模型及其应用

将自适应粒子群算法优化GM(1,1)模型的参数用于武汉市电力负荷预测,与普通GM(1,1)及标准粒子群优化的GM(1,1)模型的预测结果比较,发现采用自适应粒子群算法优化参数的GM(1,1)模型具有更理想的预测结果。     

基于粒子群-最小二乘法的岩石流变模型参数反演

为解决参数数量随加载级数增加而成倍增加,对参数反演带来困难这一问题,在分级加载蠕变模型中,根据粒子群算法和最小二乘法对参数反演的特点,先采用粒子群算法(PSO)对模型参数进行反演得到一个全局次优粒子,再将其作为初始值对模型参数进行最小二乘法反演.工程实例表明,粒子群-最小二乘法反演可以很好地应用于分级加载蠕变模型的参数反演.     

基于K-means聚类与PSO特征优选KNN的分级负荷识别方法

针对非侵入式负荷辨识中,单一V-I轨迹特征无法对相似的轨迹特征进行有效识别以及所提取特征易出现冗余甚至噪声特征的问题,提出了一种基于K-means聚类与PSO特征优选的分级非侵入式负荷识别方法。首先,利用K-means算法对负荷V-I轨迹的HOG特征进行初步分类,将轨迹相似的电器分为一类;然后,对每一类中的电器电流数据进行多维特征提取并采用PSO算法选取最优特征子集;最后,利用KNN模型进行二级负荷识别。实验结果表明,该方法有效提高了负荷识别准确率;提取V-I轨迹的HOG特征解决了同一电器V-I轨迹波动的问题;对一级分类后的每一大类单独进行PSO特征优选KNN二级分类,解决了部分电器对特征子集适应性差的问题。所提方法在一定程度上解决了冗余特征甚至噪声特征对辨识准确率的影响,为负荷特征的选取提供了新的思路,对负荷辨识的实际应用具有重要的参考意义。     

非满载车辆路径问题的改进粒子群优化算法

将局部版粒子群算法应用于非满载车辆路径问题,设计了一种实数编码方案,线性调整惯性权值,改进粒子更新公式,建立了解决该问题的粒子群算法。用该算法求解了两个车辆路径问题的算例,并与遗传算法和标准粒子群算法进行了比较。结果表明:该算法提高了搜索最优路径的成功率,能更有效地求解非满载车辆路径问题。     

自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84%、13.95%和3.24%,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明:AWLS-SVM预测的累积负荷误差为4.56MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。     

改进PSO的WNN模型在短期负荷预测中的应用

针对电力系统负荷预测中实际的负荷数据往往具有极大的波动性,模型呈现出极大的非线性,提出一种改进粒子群优化的小波神经网络模型,将其应用于电力系统的负荷预测研究.首先,分析和介绍了小波神经网络和改进的粒子群算法的基本原理和优点;其次,将改进的PSO算法用于优化小波神经网络的参数优化;最后对改进的PSO-WNN负荷预测模型进行仿真分析.实验结果与传统PSO-WNN的实验结果进行对比,证明改进的PSO能够提高模型的运算效率和负荷预测精度.     

基于改进SVM的坑道毁伤仿真训练样本约简模型

针对坑道工程动荷段毁伤仿真科学实验训练样本中存在的相似样本和大量对分类器模型构造"无用"的冗余信息,提出了一种基于改进支持向量机的动荷段毁伤仿真实验训练样本约简方法。围绕约简任务和功能约束,设计坑道工程动荷段毁伤仿真实验训练样本约简分析机制,利用支持向量机结构风险最小化原则和非线性映射特性以及粒子群的快速全局优化特征,学习坑道工程动荷段毁伤仿真实验训练样本,快速建立训练样本的约简分类器,排除负类训练样本,为坑道动荷段毁伤评估提供优质的训练样本。算例表明,模型具有良好的收敛和精度。     

粒子群优化算法及其在电力系统中的应用

粒子群优化(PSO)算法是一种新兴的基于群体智能的进化算法.介绍了PSO算法的基本原理及各种改进方法,总结了近年来PSO在电力系统中的应用研究成果,主要涉及负荷经济分配、机组组合问题、输电网规划、最优潮流计算、无功优化等领域,指出了PSO算法的广阔应用前景。     

基于混合粒子群优化算法的机组负荷最优调度

粒子群优化(too)算法是一种现代启发式算法,提出一种基于混合粒子群优化算法的机组负荷的调度方法,该方法考虑了机组的经济性和安全可靠性.优化了机组的调度运行方式.