改进鹈鹕算法优化LSTM的加热炉钢坯温度预测

在钢铁生产加工过程中,钢坯出炉温度直接影响着钢材的质量,为了精确预测钢坯出炉温度,因此提出了改进鹈鹕优化算法(IPOA)和长短记忆神经网络(LSTM)相结合的轧钢温度预测模型。首先,通过主成分分析法(PCA)对数据进行处理,其次运用改进鹈鹕优化算法寻找到LSTM的最优参数,最终建立基于主成分分析的IPOA-LSTM轧钢温度预测模型,并同LSTM模型以及IPOA-LSTM模型进行对比,基于主成分分析的IPOA-LSTM模型的均方根误差为3.276 3,平均绝对误差为2.116 1,决定系数R2为0.958 2,与其他两个模型相比有更高的预测精度。

基于IPOA-BP算法的焊接接头抗拉强度预测模型

为了更加快捷方便的获得X80管线钢管环焊缝焊接接头抗拉强度,通过IPOA-BP算法构建了X80管线钢管环焊缝焊接接头抗拉强度预测模型,引入Logistic混沌映射、反向差分进化和萤火虫算法来提高POA算法的寻优能力。模型选择焊接电流、焊接电压、焊接热输入、保护气体流量、焊接速度、送丝速度作为焊接工艺输入参数,接头抗拉强度作为输出参数。把IPOA-BP模型和POA-BP模型以及BP神经网络模型进行对比,通过训练集对模型进行训练、测试集对模型进行验证,用均方误差、平均绝对百分比误差和R^(2)来评价模型。最终结果表明,IPOA-BP算法模型预测更加精准,拟合程度更高。

BP神经网络模型的改进及其在海底管道外腐蚀速率预测中的应用

针对海底油气管道外腐蚀问题构建模型预测其腐蚀速率,建立基于改进鹈鹕优化算法(Improvement Pelican Optimization Algorithm,IPOA)的BP神经网络(Back Propagation Neural Network,BPNN)腐蚀速率预测模型。通过Logistic-Tent混沌映射初始种群与收敛因子非线性化的方法提高鹈鹕算法(POA)的全局搜索能力和寻优精度,采用IPOA算法优化BPNN的权值和阈值,提升模型的预测精度与鲁棒性。以实海挂片试验数据为基础,建立POA-BPNN和BPNN模型作为对比。结果表明:IPOA-BPNN模型的决定系数R2为0.9664,均方误差为0.2353,平均相对误差为3.16%,均优于其余两个模型,模型的鲁棒性较未改进有较大的提升。这表明IPOA-BPNN模型能够为海底管道的维修与更换提供决策支持。

基于IPOA-LSSVM模型的高压直流输电线路故障定位

故障定位在长距离高压直流输电系统中起着至关重要的作用.针对线路衰减系数计算不准和二次波头难以捕捉的问题,提出了一种改进鹈鹕优化算法(IPOA)优化最小二乘支持向量(LSSVM)的故障定位模型.根据行波衰减原理,推导故障距离和线路两端线模分量模极大值比的计算公式,发现二者具有非线性关系.使用LSSVM泛化二者之间的关系,将改进后的POA算法对LSSVM的关键参数进行寻优,建立IPOA-LSSVM故障定位模型.通过在两端采集故障信号,对其进行小波变换得到首波头幅值比作为模型的输入量,故障距离作为输出量进行仿真验证.仿真结果表明,该模型不受过渡电阻和故障类型的影响,能够可靠准确地定位.

基于IPOA-BP的输电塔复合基础极限抗拔承载力预测模型

为了实现输电塔复合基础极限抗拔承载力的准确预测,克服传统理论、经验公式误差大,计算慢的问题,提出一种改进鹈鹕智能算法(IPOA)来优化BP神经网络的承载力预测模型。首先,利用SPM混沌映射、Levy飞行以及融合非线性惯性权重因子ω的正余弦优化策略,对鹈鹕优化算法(POA)改进;然后,利用IPOA对BP神经网络的权值和阈值参数寻优,得到IPOA-BP预测模型;最后,基于验证后的数值试验构建数据集,对IPOA-BP预测模型进行训练和测试。结果表明,IPOA-BP与POA-BP预测模型相比,方根误差下降65.75%,绝对平均误差下降65.79%,平均相对误差下降65.60%,可见IPOA-BP神经网络能够实现复合基础抗拔承载力较准确的预测,为该类型基础的承载力预测提供了新方法。

IPOA-BP神经网络锂电池SOH估算

为提高锂电池SOH的估算精度,搭建了一种基于改进鹈鹕优化算法(POA)结合反向传播(BP)神经网络的估算模型。通过NASA公开数据集,提取了多组与锂电池SOH相关的健康因子,并进行相关性分析,选取相关性较好的健康因子作为模型输入。通过改进后的POA算法对BP神经网络的权值和阈值进行寻优。将所提算法与BP神经网络、粒子群优化算法(PSO)结合BP神经网络、POA算法结合BP神经网络方法进行比较,仿真结果表明:所提方法的均方根误差更小,决定系数更高,具有更好的实际应用价值。