基于改进乌鸦算法和ESN神经网络的短期风电功率预测

精确的短期风电功率预测对于提升电力系统经济稳定运行十分重要。为了克服传统的神经网络在参数选取中容易受主观因素影响和陷入局部最优的不足,提出一种基于改进乌鸦算法(ICSA)优化回声状态神经网络(ESN)参数的短期风电功率组合预测方法。在算法寻优初期引入Lévy飞行机制增强搜索效率,而在迭代后期加入高斯函数,对进化后的全部轨迹进行相应的调整,保证算法的全局寻优和逐次逼近能力;通过改进的CSA算法对ESN神经网络输出层连接权值矩阵进行优化以提高网络的训练效率。最后利用两组实验数据对预测模型进行了有效性验证,结果表明,所提算法能有效应对风电功率时序的随机性和不确定性特征,具有更高的建模精度和更快的收敛速度。

基于ESN神经网络的光通信网络安全态势辨识研究

光通信网络在传输信息时,很容易被非法攻击,发生信息窃取、篡改和删除等泄露行为。针对上述问题,为保证光通信网络安全,提出一种基于ESN神经网络的光通信网络安全态势辨识方法。该方法采用NetFlow技术设计采集器,采集NetFlow流量数据,并实施离散化处理。将NetFlow流量数据转换为流量灰度图像,并借助灰度共生矩阵提取图像特征,包括像素灰度分布的均匀程度、图像包含的信息量、图像的视觉清晰度、灰度共生矩阵元素排列的相似程度、图像局部灰度均匀性,作为NetFlow流量数据的特征。以5项特征为输入,利用ESN神经网络构建辨识模型,得出光通信网络安全态势类型。结果表明:与基于卷积神经网络的识别方法、基于贝叶斯的识别方法以及基于随机配置网络的识别方法相比,所研究方法应用下的杰卡德系数更高,说明该方法辨识准确性更高。

基于回声状态网络的PM_(2.5)预测研究

设计了基于ESN(Echo State Network,ESN)神经网络的PM2.5时均值预测方法,并讨论了基于偏最小二乘回归的数据选择方式。在仿真实验中,通过与径向基函数(Radial Basis Function,RBF)神经网络和反向传播(Back Propagation,BP)神经网络方法比较,验证了基于ESN神经网络模型预测的可行性。实验结果表明,与径向基神经网络和反向传播神经网络方法比较,基于ESN神经网络预测模型能较好预测PM2.5时均值变化趋势,且得到较好的预测结果。