基于改进蚁群算法优化参数的LSSVM短期负荷预测

提出一种自动优选最小二乘支持向量机(LSSVM)模型参数的改进蚁群(MACO)算法.该算法将LSSVM模型的参数作为蚂蚁的位置向量,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到模型的最优参数,得到基于MACO算法优化的LSSVM(MACO-LSSVM)预测模型.将优化后的LSSVM模型应用于短期电力负荷预测问题,选择湖南某地区日期为2009-08-01至2009-08-30各小时点的数据进行分析,对2009-08-31该日24 h的负荷进行预测,并与BP神经网络和SVM模型进行比较.研究结果表明:本文方法得到的均方根相对误差为1.71％,比用BP神经网络和SVM模型得到的均方根相对误差分别低1.61％和1.05％.     

基于混合群智能算法优化BP神经网络的粮食产量预测

针对前馈神经网络预测粮食产量的方法易陷入局部最优的问题,提出一种基于粒子群算法和人工蜂群算法的改进BP神经网络模型.利用粒子群优化算法和人工蜂群算法在全局搜索能力上的不同优势,结合两者对BP神经网络的权值和阈值进一步优化,以提升粮食产量预测模型的准确性与鲁棒性.给出基于粒子群和人工蜂群混合的ABPSO算法的具体实现,并选择1979年至2012年我国粮食的产量及影响其产量的8项因素作为数据集进行试验.结果表明:改进的BP神经网络能够较好地预测国内近几年的粮食产量变化趋势;相比未优化的BP模型,新算法预测误差平均值由847 780 t降低至240 320 t,误差范围由1 894 200 t降低至586 800 t.     

基于混合PSO优化的LSSVM锅炉烟气含氧量预测控制

烟气含氧量是影响火电厂锅炉运行安全性和经济性的一个重要因素,影响锅炉烟气含氧量的因素多面复杂,对烟气含氧量特性进行建模与控制是实现锅炉正常运行的基础.借助现场运行数据,根据锅炉烟气含氧量的特性,建立基于最小二乘支持向量机(LSSVM)的锅炉烟气含氧量预测模型.在此基础上结合全局寻优的混合粒子群算法(PSO),对锅炉烟气含氧量进行控制.仿真结果表明:该方法能够比较准确地列火电厂锅炉烟气含氧量进行测量和控制,为锅炉燃烧系统的闭环控制与优化运行提供了新的手段.     

基于蚁群优化的混合智能算法研究

为了解决混合蚁群优化算法存在的问题,研究了当前求解组合优化问题性能表现最好的迭代局部搜索算法,并分析了其关键技术——局部搜索和扰动;通过将局部搜索和扰动分别用于增强蚂蚁系统算法的开发能力和探索能力,提出了一种基于蚁群优化的混合智能算法。求解TSP的实验表明,该混合智能算法保持了其开发能力和探索能力间的平衡,并实现了在合理的计算时间内对蚁群优化算法较高质量的改进。     

基于空间多点输入的LSSVM非高斯风压预测

为提升最小二乘支持向量机对建筑表面风压的预测精度与泛化能力,提出了增加输入点数的方法.通过增加输入点数,增加提供给最小二乘支持向量机的信息量,优化最小二乘支持向量机预测模型性能;对不同时长的实测风压分别进行内插预测与外插预测.结果表明:采用内插预测和外插预测时增加输入点数均可提高风压预测性能,但是内插预测性能的提升效果优于外插预测;当增加训练集长度时,增加输入点数对预测性能的提升效果不明显.     

动态无功优化的混合智能算法

针对存在离散控制设备动作次数约束的动态无功优化问题,提出免疫遗传算法和非线性内点法的混合算法.首先忽略控制设备的离散性和动作次数约束,采用非线性内点法求解初始优化解;然后按照控制变量的性质将原问题分解为连续优化与离散优化2个子问题迭代求解.在离散优化问题中,保持连续变量不变,采用免疫遗传算法优化离散变量,通过特别的编码方式使抗体自动满足动作次数约束;在连续优化问题中,保持离散变量不变,采用非线性内点法优化连续变量.混合算法充分结合了免疫遗传算法和非线性内点法的优点,能较快求解动态无功优化的近似最优解.IEEE14节点系统的仿真结果验证了混合算法的有效性.     

基于混合智能算法的支持向量机的粮食产量预测

考虑到粮食产量的非线性,提出一种基于混合智能算法的支持向量机的预测模型,针对粒子群算法(PSO)易于陷入局部最优的特点,融合改进的粒子群算法(GAPSO)以及人工鱼群算法(AFSA)得到混合智能算法(GAPSO-AFSA),通过种群自身内部的变异交叉以及族外竞争机制,使得目标函数值向全局最优解快速收敛,提高了算法的全局搜索能力,最终得到支持向量机的最优参数组合.将支持向量机预测模型用于中国粮食产量预测中,通过试验验证了模型的正确性,并证实了该预测模型拥有较好的预测效果.     

基于智能算法优化BP的航空器滑出时间预测

滑出时间是评估大型机场场面运行效率的主要性能指标,科学准确地预测离港航空器的滑出时间,对于提升场面运行效率至关重要。首先,分析了航空器滑出时间影响因素及相关性,构建了基于BP神经网络的航空器滑出时间预测模型。针对BP神经网络存在对初始权值和阈值敏感、准确性和稳定性欠佳等缺点,分别采用粒子群算法和麻雀搜索算法获取BP神经网络的最优权值和阈值,并采用我国中南某枢纽机场2周的实际运行数据对智能算法优化后的预测模型进行了验证。结果表明：①滑出时间与半小时平均滑出时间、起飞队列长度、同时段滑行的离港航空器数量均有强相关性,与同时段滑入的进港航空器数量中度相关,与滑行距离和经过冲突热点区域个数相关性较弱;②考虑强相关和中度相关影响因素的4元组合预测模型的预测结果最佳;③智能优化算法通过获取神经网络的局部最优权重和阈值,可有效地提升航空器滑出时间预测结果的精度,但运算过程耗时也更长;④基于PSO优化后的BP神经网络预测结果较优化前的MAPE提升了1.13%,MAE减少了4.48s,RMSE减少了4.68s;基于SSA优化后的BP神经网络预测结果较优化前的MAPE提升了3.05%,MAE减少了16.55s,RMSE减少了14.32s。     

基于混合智能算法的电力系统经济调度优化模型研究

在以电力系统的发电总燃料量、氮氧化物排放量和电价等3个因素为目标函数,以系统有功平衡、系统正负备用、输出功率以及输出功率上升速率等相关约束条件的基础上建立了电力系统经济调度的加权优化模型.同时,在综合了粒子群-人工鱼群算法的基础上构建了混合智能算法.最后,用10个机组所组成的火电厂的优化调度问题作为案例,采用混合算法进行求解及结果分析,以说明电力系统经济调度加权优化模型的有效性以及综合智能算法的收敛性和稳定性.     

基于ADPSO算法优化LSSVM的高速公路交通量预测方法

针对高速公路交通量与其经济影响因素之间的复杂非线性关系,将最小二乘支持向量机(least squares support vector machines,LSSVM)与自适应动态粒子群优化(adaptive dynamic particle swarm optimization,ADPSO)算法相结合,提出一种ADPSO算法优化LSSVM的高速公路交通量新型预测方法.将建模简单、精度高的LSSVM作为预测模型,通过寻优能力优异的ADPSO算法选择LSSVM最优参数.以某市高速公路交通量为例验证模型的有效性.结果表明,所提方法的预测性能较好,适合于高速公路交通量的短期预测.     

基于PSO优化LSSVM的出水BOD5预测建模

针对城市污水处理中有机物污染度指标BOD5缺少运行状态信息难以做到实时检测,提出了一种基于粒子群算法（PSO）优化最小二乘法支持向量机（LSSVM）的出水BOD5预测控制策略。在保证出水水质参数稳定达标条件下,提取城市污水处理过程中输入输出参数数据,通过LSSVM对被控对象出水BOD5进行建模,同时利用PSO对LSSVM模型进行参数寻优,获得最佳正则化参数γ和核函数参数σ。仿真结果说明,该模型提高了对出水BOD5值的预测精度并具有良好的泛化能力,达到了实时性的效果。     

基于免疫模糊聚类的LSSVM在短期负荷预测中的应用

最小二乘支持向量机(least square support vector machines,LSSVM)在解决小样本、非线性和高维度问题中表现出许多特有的优势.但是,如果输入的训练数据本身存在着大量的噪声和冗余,LSSVM在训练数据时会因抑制它们而削弱本身的推广能力,结构风险无法达到最小化,从而导致收敛速度慢、预测精度不高等缺点.提出了一种基于免疫模糊聚类(immune fuzzy clustering,IFC)的最小二乘支持向量机预测模型,运用免疫模糊聚类算法对历史数据进行预处理,从聚类后的数据提取LSSVM的训练样本,从而提高训练速度和预测精度,克服LSSVM的上述缺点.最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度.     

混合智能算法的多目标无功优化方法

传统电力无功优化主要集中在引入或改进某种单一智能优化算法,进化算子的不变性难以保证算法在各寻优阶段的稳定性和普适性.本文提出基于多种智能算法动态混合策略的多目标无功优化方法.该方法采用计及系统网损与电压偏移的多目标优化模型,考虑多种智能算法在不同寻优阶段的优劣特征,基于帕累托最优动态确定备选算法的使用比例,使多种智能算法优势互补以提高整体寻优效率.以IEEE 30节点、系统多目标无功优化为算例,结果表明新方法在帕累托前沿和收敛特性等方面都表现更优.     

基于混合智能算法的轴承故障诊断系统设计

设计了基于多种智能方法的轴承试验机故障监测系统,该系统可实现轴承试验机的在线监测,对被试验轴承的的振动信号的时域与频域指标通过多种智能算法进行分析,从而实现轴承故障的综合实时诊断,整个试验过程数据通过网络传送到上位机进行显示并存储到数据库中.该系统在轴承生产企业得到了成功的应用.     

基于混合智能算法的轴承故障诊断系统设计

设计了基于多种智能方法的轴承试验机故障监测系统,该系统可实现轴承试验机的在线监测,对被试验轴承的的振动信号的时域与频域指标通过多种智能算法进行分析,从而实现轴承故障的综合实时诊断,整个试验过程数据通过网络传送到上位机进行显示并存储到数据库中。该系统在轴承生产企业得到了成功的应用。     

基于智能算法的油气田地应力三维预测

为了解决复杂沉积构造环境导致未钻区域的地应力定量预测难度大的问题,根据层速度、地应力、叠后地震信息之间的定量关系,运用BP神经网络、模拟退火等智能算法提出了用于不同工况条件的两种油气田地应力三维预测方法.在完钻井数量较多、实测信息较丰富的工区使用BP神经网络算法,利用地震数据空间速度信息与岩石力学方法建立地应力三维数据...     

基于ID3优化算法的短期负荷预测

电力短期负荷预测是电力系统调度的重要基础工作,但影响因素众多,且ID3算法偏向多值属性,完全由ID3算法自动形成决策树时容易发生误判。为了克服ID3算法在短期负荷预测时的不足,可根据实际情况,人工指定对负荷影响规律比较明确、影响程度大的因素在决策树中的位置,这样自动和人工相结合,能有效克服自动生成决策树的不足;将信息熵赋值给属性,对各影响因素进行相似度计算,利用综合相似度对历史日进行排序,有效识别主导负荷变化的影响因素,建立了基于ID3算法的短期负荷预测新算法。理论和实例均表明,该算法对提高短期负荷预测的精度具有较大价值。     

基于逐层演化的群体智能算法优化

为能彻底解决群体智能算法早熟问题的同时保持原算法主体不变且可与现有优化理论协同优化,在前期仿真实验和理论证明的基础上,提出了一种逐层演化的改进策略.利用在原算法中构建基于搜索空间压缩理论的自适应系统,通过逐层的压缩、选择、再初始化的操作,以包括压缩后搜索空间在内的社会信息作为遗传知识,指导寻优过程,从而实现最终解精度的提升、避免早熟问题的出现.对基准函数进行仿真实验可以看出该策略在提升算法精度,增强后期个体活性方面具有良好的表现.     

基于智能算法的磁流变阻尼器位置优化

为了控制20层Benchmark建筑在地震作用下的非线性地震反应,采用改进的遗传算法确定MR阻尼器的优化设置位置.将标准遗传算法的遗传操作作相应改进,并进行给定数量的MR阻尼器优化配置的数值仿真分析,解决多约束非线性整数优化问题.结果表明,采用改进的遗传算法进行MR阻尼器位置设置优化后的半主动控制,能有效地降低结构在地震荷载作用下的响应,进一步提高了平均控制效果.