改进遗传神经网络及其在负荷预测中的应用

针对遗传算法早熟的缺陷,提出了改进的交叉,变异策略,采用移民算子等方法改善遗传算法的性能,并把此方法应用到神经网络的训练中,对电力系统短期负荷进行预测取得了较为理想的效果。     

遗传优化BP神经网络在槽况预测中的应用

针对目前国内对铝电解槽槽况诊断存在的的难度大、效率低等问题,设计了一种以槽电压信号为特征向量的诊断样本和BP神经网络模型.利用BP神经网络的自学习能力,对铝电解槽的槽况进行分析预测.同时本文利用遗传算法的最优搜索能力对BP神经网络的初始权值和阈值进行优化.通过MATLAB对状态预测算法进行编程.结果显示,对铝电解槽槽况的判断基本正确.     

BP神经网络的遗传优化及其应用研究

针对BP神经网络具有训练速度慢、容易陷入局部极小值的特点,在分析其训练算法本质的基础上,提出将遗传算法（GA）引入神经网络训练,优化神经网络的权值和闽值,充分发挥遗传算法的全局寻优能力和BP算法的局部搜索优势,形成了一种新的GA—BP神经网络．应用实例仿真结果表明,GA—BP神经网络具有全局搜索、快速收敛的特点,建立的模型具有较高的预测精度和良好的泛化能力．     

遗传算法和神经网络在短期负荷预测中的应用研究

短期负荷预测是电力市场运营的基本内容,预测精度的高低对于电力系统安全、经济、优化、节能调度运行具有极为重要的指导作用。如何提高预测精度也是学界一直不懈的追求目标。本文针对BP算法易陷入局部极小、收敛速度慢的缺点。根据遗传算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的混合算法一GA—BP算法,并结合一个实际的电力系统短期负荷变化的情况。用实际算例表明该方法具有较高的预测精度和较好的适应性。     

基于遗传神经网络的学生成绩预测

提出一种基于遗传神经网络的成绩预测方法。首先用相关分析法计算了基础课程成绩与目标课程成绩的相关系数,选取了与目标课程成绩相关度高的基础课程成绩作为输入项,然后引入遗传算法对反向传播(back propagation,BP)神经网络的初始权值和阈值进行优化,实现学生目标课程成绩预测。采集某大学通信工程专业1601—1603班级99名学生的实际教学数据进行验证,结果表明,该方法与BP神经网络模型相比,预测的均方根误差由8.6降低为2.8。     

基于遗传神经网络的大坝变形预测模型研究

神经网络具有自学习、修正误差的能力，遗传算法具有较强的全局随机搜索能力，两者结合可以优势互补．在编码、选择、交叉、变异等方面对基本遗传算法进行改进，提高其效率和性能，并利用改进的遗传算法对神经网络权阚值进行学习，同时确定最佳的网络结构，利用原型观测资料建立了大坝变形预测的遗传神经网络模型。模型具有良好的预测性能及泛化功能，为大坝安全监控提供了有力的技术支持。     

基于遗传算法和BP神经网络的短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络（BP）的短期负荷预测.从BP神经网络的理论入手,采用遗传算法优化BP神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行.     

基于神经网络最优组合预测在电力负荷预测中的应用

为提高负荷预测的准确性,引入了最优组合预测模型,使几个电力负荷预测模型有机地结合起来.针对最优组合预测模型权重分配时出现的负权重问题,建立了基于神经网络的最优组合预测模型,通过实例论证,该模型具有较高的预测精度.     

GA神经网络在证券市场预测中的应用研究

以股市的可预测性为基础,以可量化股价影响因素作为输入变量,提出了将遗传算法与BP算法相结合用于股市价格预测的人工神经网络模型学习算法;建立了基于人工神经网络的股价预测模型。通过对海信电信(600060)的股票收盘价和大盘指数为预测目标进行了股市预测的仿真,并尝试预测未来一天内超短线存在机会,实验结果验证了股价预测模型的可行性。     

基于人工神经网络的加权负荷预报

针对矿区电力负荷系统的特点，提出了基于人工神经网络的加权负荷预报．仿真结果表明，其预报精度符合要求．     

基于遗传小波神经网络的故障预报应用

目的减少铝电解故障的发生,提高阳极效应预报的准确性、实时性和铝的生产效率,节约能源.方法将遗传算法应用于小波神经网络,构成遗传小波神经网络,以确定小波基函数的个数、优化网络参数,以遗传小波神经网络为预测模型,通过预测槽电阻变化率来预测电解过程中的阳极效应.结果通过遗传算法能对小波神经网络的参数进行全局优化,确定了网络结构,而且小波神经网络具有较强的自适应性、鲁棒性和函数逼近能力,使预报精度提高了约9.5%,提前预报时间1 m in左右.结论该预测模型改善了故障预报准确性和实时性,避免了故障的发生,降低了能源消耗,提高了铝电解的生产效率,实现了安全生产.     

基于GA-BP神经网络的短期负荷预测

以供热系统为研究对象,针对集中供热热负荷中由于温度因素、随机因素以及建筑本身因素等导致预测精度不高的问题．提出了采用BP神经网络算法来进行预测,它对具有非线性的模型有很好的控制效果,并且可以进行自我学习．但由于BP神经网络的波动较大,比较容易出现局部优化现象,因此在使用BP神经网络的基础上进行改进,将BP神经网络与遗传优化算法相结合,弥补BP神经网络的不足．最后通过仿真实验,结果表明热负荷预测的误差大大减少,预测精度提高,继而实现合理供热．     

基于模糊理论和遗传算法的神经网络权值优化

基于遗传算法的神经网络权值优化的研究和应用,已经得到了很大的发展.但是现有的算法仍存在一些缺陷,容易陷入局部解且收敛缓慢.为此结合模糊理论提出了一种改进的遗传算法来实现神经网络的权值优化,并用实例证明了此算法的可行性和有效性.     

基于遗传算法的自适应时序洪水动态预报模型

神经网络适于对复杂的非线性系统建模,而遗传算法具有并行处理及全局优化的功能,利用遗传算法优化网络拓扑结构及网络连接权,可以实现网络模型的优化。论述了人工神经网络及遗传算法,给出了利用遗传算法用于优化网络拓扑结构和网络连接权的新设计方法,提出了自适应时序洪水动态预报模型,并给出了实例预报结果。     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

基于灰色理论和神经网络的短期电力负荷预测

利用灰色理论中累加生成方法能够削弱负荷中随机成分的特点,以及人工神经网络可以逼近任意函数的能力,对具有任意变化规律的数据序列进行拟合和预测．实验结果表明,基于灰色理论和神经网络的最优组合模型的平均相对误差为1．307％,比BP神经网络预测和灰色理论模型预测的精度更高,具有明显优势．     

基于BP神经网络数学模型的短期负荷预测研究

讨论如何利用人工神经网络进行电力系统短期负荷预测。研究结果表明:基于BP神经网络的短期电力负荷预测具有精度高的特点,符合预测结果的相对误差小于3.06%。     

基于神经网络与遗传算法的结构优化设计方法

从神经网络和遗传算法的原理出发,利用遗传算法和神经网络相结合的策略对结构参数进行优化.在确定结构优化的目标函数和设计变量集合的基础上,用神经网络学习算法建立货架结构设计参数与结构重量、结构最大应力、最大位移等的非线性全局映射关系,获得遗传算法求解结构优化问题所需的目标函数,用遗传算法进行优胜劣汰的寻优搜索运算,从而求出所需最优解.以货架结构的优化为例说明了上述方法的应用.遗传算法和神经网络的优化结果是在正交设计法确定的训练样本足够大的基础上得出的,具有较强的可靠性.