基于蚁群算法的神经网络绝缘子闪络电压预测

为提高覆冰绝缘子闪络电压的预测精度及预测速度,采用BP神经网络和蚁群算法相结合的方法进行预测模型设计。利用闪络电压及其影响因素之间的试验数据,建立其神经网络的预测模型。以网络的权值和阈值为自变量,通过蚁群算法的迭代运算,搜索出误差全局最小值,再进行网络的二次学习训练。结果表明,该方法具有较高的预测精度,适用于绝缘子闪络电压的预测。     

基于相似日和主成分分析的光伏发电系统短期出力预测

针对光伏发电功率的间歇性和波动性,提出了一种基于主成分分析(PCA)和粒子群优化(PSO)算法的BP神经网络短期发电功率预测方法。该方法先对原始输入数据进行主成分分析,再将分析结果作为BP神经网络的输入数据。由于粒子群算法搜索速度较慢,但全局搜索能力较强,而传统的BP神经网络搜索速度较快,但易陷入局部极值点,因此将两者结合起来,既弥补了各自的劣势,又避免了预测模型的失效,从而提高了预测模型的预测精度。分析结果表明,当天气类型改变时,该预测模型的有效性不变,预测误差均小于20%。     

基于PSO优化的BP神经网络在电动机绝缘剩余寿命预测中的应用

针对普通的电动机绝缘剩余寿命预测模型收敛速度慢、结果偏差大的缺陷,提出了一种基于粒子群算法(PSO)优化BP神经网络的电动机绝缘剩余寿命预测模型。首先,利用PSO算法全局随机最优解搜索的特性,对传统BP神经网络模型的权值和阈值进行优化设计。其次,为便于预测模型的运算处理,对采集的三相异步电动机的数据进行归一化处理。最后,结合经PSO算法优化的BP神经网络模型对三相异步电动机的绝缘剩余寿命进行试验预测。结果表明,基于PSO优化的BP神经网络比传统BP神经网络有更为精准的预测能力以及更快的收敛速度。     

ABC BP模型在混凝土双曲拱坝变形监控中的应用

因大坝变形具有很强的非线性、随机性,致使预测困难,将人工蜂群算法(ABC)与BP神经网络相结合,利用人工蜂群算法具有强全局优化能力、强鲁棒性等优点,克服BP神经网络收敛速度慢、易陷入局部极小点等缺点,建立ABC BP、BP神经网络大坝变形预测模型对小湾大坝变形监测数据进行预测。结果表明,与单纯的BP神经网络预测模型相比,ABC BP算法提高了大坝变形预报的精度,加快了网络的收敛速度,能更高效准确地进行大坝变形监控预报。     

基于花朵授粉算法和BP神经网络的短期负荷预测

为了提高短期电力负荷预测的准确性,降低因预测精度不高带来的电能损失,提出将花朵授粉算法（flower pollination algorithm,FPA）与BP神经网络相结合,利用FPA算法具有收敛速度快、全局搜索能力强的特点,对BP神经网络的权值和阈值进行优化,改善传统BP神经网络因权值和阈值的选择具有随机性而陷入局部最优和收敛速度慢的缺点。最后,通过某地区实际负荷数据验证了优化后的BP神经网络的预测精度得到了提高。     

大坝渗流监测的蚁群神经网络模型

运用蚁群算法和神经网络构造了大坝渗流监测的蚁群人工神经网络模型,采用蚁群算法学习了神经网络的权值.实例表明,用蚁群算法训练神经网络可兼有广泛映射能力和快速全局收敛性能,与常规统计模型相比,提高了模型拟合精度和预测能力.     

碟式太阳能集热器出口空气温度预测研究

提出使用BP神经网络对碟式太阳能出口介质温度进行预测。为提高BP算法的预测精度,采用遗传算法优化BP神经网络模型,建立基于GABP和实际数据结合的碟式太阳能温度预测模型进行预测,并通过Matlab仿真验证了该预测模型和策略的可行性和有效性。     

基于BP神经网络算法的矿井通风系统可靠性研究

矿井通风系统作为煤矿生产过程中的关键系统,对监测和预警机制有着非常重要的作用。借助BP神经网络算法,针对煤矿井下通风系统的预测模型,分析了BP神经网络算法原理。通过对BP神经网络测试结果分析可知,BP神经网络算法能满足矿井通风系统的预测,且预测精度能满足煤矿井下通风系统的使用条件。     

基于PSOEM和神经网络的光伏电站功率预测

分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法（PSO）和带扩展记忆粒子群优化算法（PSOEM）这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。     

基于不同优化算法下风电预测精度对风水电协调影响研究

研究了持续法、ARIMA方法、改进BP神经网络3种不同的风电预测模型,在相同条件下,经实例仿真发现,改进BP神经网络模型的预测精度好于ARIMA预测模型,而ARIMA预测模型的预测精度好于持续法预测模型.基于上述3种不同的风电预测模型,建立了风-水发电联合协调运行的模型.采用遗传粒子群和混合粒子群2种不同的优化算法来研究风电预测精度对风-水电协调影响,通过仿真实例发现,风电预测模型精度越高,得到的理论值与实际值偏差越小;在考虑2种不同优化算法的情况下,遗传粒子群优化算法得到的数值与实际值偏差比混合粒子群大,同时基于不同风电预测模型下的误差也要比混合粒子群大.     

基于遗传算法的BP神经网络在水利定额编制中的应用

针对BP神经网络易陷入局部最优和遗传算法全局搜索速度过慢的缺点及水利定额编制中存在非线性和复杂性的实际状况,提出采用遗传算法(GA)优化BP神经网络在水利定额编制中的问题。实例分析表明,优化后模型(GA-BP神经网络)结合了BP神经网络的非线性逼近、局部寻优能力和遗传算法的全局搜索特性,在稳定性、预测精度、收敛速度上均优于BP神经网络,可运用于水利定额编制。     

基于逐步回归-BP神经网络的大坝变形监测模型

针对拱坝坝肩抗力体是坝体的重要受力部位,应用结合逐步回归分析方法的BP神经网络构建监测模型,以提高BP神经网络的泛化能力和模型的预测准度和精度,利用C语言编程训练,成功完成了预测,且传统模型预测数据的残差平方和大于改进后的残差平方和。实例分析结果表明,该监测模型可行、有效,并具有通用性。     

基于数据挖掘和遗传小波神经网络的光伏电站发电量预测

为了解决光伏发电预测不确定性问题,进一步提高光伏电站发电量的预测精度。提出一种基于数据挖掘和遗传小波神经网络的光伏电站发电混合预测模型,利用K均值聚类算法对历史数据进行分类,并对传统BP神经网络进行改进。以BP神经网络为基础,引入小波分析构建小波神经网络,同时利用遗传算法对网络的初始参数进行全局寻优得到最优参数,利用交叉熵函数对学习规则进行改进。改进后的网络模型既具有小波分析的良好的局部时域和频域特性,又具有全局搜索能力,可增大跳出局部最优的可能性,同时拥有更快的收敛能力和稳定性。实验结果验证了该算法的有效性。     

基于AFOA-BP神经网络的燃气轮机研制风险预测

为提高燃气轮机研制过程中的风险管理能力,针对果蝇算法（Fruit Fly Optimization Algorithm,FOA）及BP神经网络的缺陷,构建了自适应果蝇算法（Adaptive Fruit Fly Optimization Algorithm,AFOA）,提出基于自适应果蝇算法优化BP神经网络的风险预测模型,利用自适应果蝇算法优化BP神经网络的阈值和权值。挖掘燃气轮机研制风险因素及风险事件之间的关系,并根据风险因素的权重预测风险事件的权重。利用燃气轮机研制风险的相关历史数据进行验证,表明该模型具有较高的预测精度和应用价值。     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

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。     

ARIMA-BP组合分析模型在某心墙堆石坝沉降量预测中的应用

针对大坝变形监测中存在的大量小样本时间序列所具有的强非线性特性,引入组合建模的思想,综合应用ARIMA时间序列模型和BP神经网络模型实现了小样本大坝变形监测数据序列的分析,即先利用ARIMA时间序列模型对大坝变形监测数据进行拟合和预测,然后依据时间序列残差建立BP神经网络模型对残差进行预测,最后将两者结合以获得大坝变形的预测。实例分析表明,ARIMA-BP组合模型较单一模型的预测精度高,预测值更接近实测值。     

基于灰色关联分析-GA-BP模型的叶绿素a含量预测

为提高水体叶绿素a预测精度和收敛速率,提出一种基于灰色关联度分析和遗传算法优化BP神经网络预测水体叶绿素a的方法。即先采用灰色关联度分析法选取合适的水质指标作为输入因子,然后优化网络隐含层的结构参数,引入遗传算法优化BP神经网络的初始权值和阈值,最后以预测太湖叶绿素a为例进行比较分析。结果表明,优化神经网络隐含层数能进一步提高网络的预测精度、缩短训练时间;灰色关联分析-GA-BP模型相较于BP、GA-BP模型具有更高的预测精度和收敛速度,可为控制水环境监测和决策平台提供科学依据。