基于GA-WNN的散装物料装车智能控制系统研究

为了解决散装物料在装车过程中所出现的偏载、欠载及控制精度低等问题,提出了一种基于GA-WNN的散装物料装车智能控制系统。首先对列车行驶智能控制总体设计方面进行了详细说明,阐述了各功能模块的运行机理;其次对小波神经网络(WNN)控制器的模型结构进行了描述,解析了各个结构层的处理机制,并结合遗传算法(GA)对WNN控制器进行优化,使其输出理想的装车控制效果。实验结果表明,该系统有效解决了物料装载过程中所出现的欠载和偏载现象,大大提高了装车的效率和精准度,为工矿企业的高效安全生产提供了有力保障。

WD-WNN-LSTM组合模型在东北寒区河流水沙模拟中的应用

为分析河流水沙演变规律、预测水沙变化趋势,根据典型河流年径流量、输沙量等水文站实测系列资料,建立适用于北方寒区河流特征的WD-WNN-LSTM组合模型,并将其结果与LSTM模型、WNN模型预测结果进行对比分析。研究表明:组合模型在年径流量与输沙量预测中较其他模型在准确率方面有较大提升,较适合东北寒区河流的水沙模拟。

基于GA-WNN的桥梁基础结构局部冲刷风险模糊评估方法

针对难以获取冲刷灾害危险性指数、冲刷风险评估精度较低、桥梁基础结构突发坍塌风险较大的问题,提出了基于GA-WNN的冲刷风险模糊评估方法。在分析桥梁基础结构局部冲刷机理后,采用GA-WNN网络构建冲刷风险评估指标体系,通过冲刷风险评估指标数据的无量纲化处理,计算模糊评估指标权值;采用冲刷灾害危险性指数来反映冲刷风险的程度,结合GA-WNN网络,校验矩阵的最大特征根,计算随机一致性比率,实现了冲刷风险模糊评估算法设计。结果表明:文中方法在评估冲刷风险时,可以将相对误差控制在2%以内,大幅度提高了评估精度。

基于UKF-WNN混合模型的海管段塞流预测与控制方法研究

针对油气生产系统在深海情况下难以准确实时控制段塞流的问题,建立了基于UKF-WNN混合模型的海管段塞流预测与控制方法,并在不同阀门开度下,对不同的段塞流控制方案进行了比较研究。结果表明:UKF-WNN混合模型能够较好地拟合顶部压力、流量与阀门开度同底部压力的关系,与现场试验对比,其均方误差较UKF和WNN分别降低了44%、47%,在系统输入存在干扰的情况下能够为控制器提供较为精确的估计值,使得系统达到稳定。WNN的加入有效改善了控制系统的稳定性,体现了人工智能方法在段塞流控制领域获得应用的可能性。本文提出的方法对改善海管段塞流的预测和控制精度,保障海管安全具有一定的理论和实践意义。

基于GA-WNN模型的光伏中期功率预测研究

为解决光伏发电存在限电情况下,光伏中期功率预测结果偏小导致预测精度降低的问题,提出了一种基于光伏可用功率的遗传算法(GA)优化小波神经网络(WNN)的预测模型。GA-WNN模型在预测日的相近日期内覆盖晴天、雨天、多云等多种天气类型,通过模糊C-均值聚类算法辨识限电情况,并将光伏可用功率作为训练目标,建立了WNN光伏中期预测训练模型。GA-WNN模型以预测日获取的光伏数值天气预报作为输入,经过训练后可以直接预测未来1~10 d的光伏中期功率。通过新疆某光伏运行电站的实际运行数据进行验证,预测精度达96%以上。将GA应用于WNN预测模型中,可显著提高光伏中期功率预测精度。

基于相似日和WNN的光伏发电功率超短期预测模型

光伏发电功率预测对提高并网后电网的稳定性及安全性具有重要意义。文章提出一种基于相似日和小波神经网络(WNN)的光伏功率超短期预测方法。首先利用光伏发电系统的历史气象信息建立气象特征向量,通过计算灰色关联度寻找到合适的相似历史日。再根据自相关性分析法找出与预测时刻功率相关性最大的几个历史时刻功率,结合历史时刻的温度,辐照度,风速等光伏出力的主要天气影响因素科学合理的确定模型输入因子。最后使用小波神经网络(WNN)创建预测模型,通过相似历史日数据作为训练样本训练小波网络,而后对预测日的出力情况进行逐时刻预测。实例分析表明,该方法具有较高的预测精度,为解决光伏发电系统超短期功率预测提供了一种可行路径。

基于小波神经网络(WNN)的齿轮故障诊断

在研究齿轮故障诊断模型以及齿轮故障诊断策略的基础上,选择基于知识方法的小波神经网络方法用于齿轮故障诊断,提出了学习速率自适应调整的梯度下降法来修正小波神经网络的各个系数;最后通过实验证明,利用小波神经网络技术能够实现准确识别齿轮故障。

基于SA-WNN模型的油价预测研究

原油价格不仅受到传统供需面因素的影响,在短期内更容易受到战争、金融危机、自然灾害、政治事件等非常规性因素的影响。为了更加准确地刻画国际油价走势,完善油价预测理论体系,论文首先运用情感分析(SA)方法对反映非常规影响因素的文本数据进行预处理,然后根据文本计算市场趋势项,再将该项作为小波神经网络(WNN)的输入数据,构建基于情感分析的小波神经网络预测模型(SA-WNN)。预测的结果显示,相对于传统BP神经网络模型和基于独立源分析的小波神经网络(ICA-WNN)模型,SA-WNN模型能够准确判断油价的方向性走势,是一种更加优秀的预测模型。

基于WNN-PSO的压力测量与校正方法

对压力(差压)传感器普遍存在的温度影响问题,以及目前常规压力(差压)传感器无法直接准确测量较高温气体压力的问题,本文提出了基于小波神经网络(WNN)与粒子群优化(PSO)方法的动态测量与校正方法,通过与已有方法的仿真比较,以及对阳极焙烧系统中高温烟气压力的实际测量应用表明,该方法优于原有的BP、WNN测量和校正方法.

基于WNN对象分类的供应商持续评价的实证

文章构建了供应商持续评价指标体系。在对小波神经网络进行了深入研究基础上,探讨了基于小波网络的对象分类算法,并将该算法运用于供应商持续评价过程中;最后,进行了供应商持续评价的实证,结果表明:小波网络的对象分类算法对供应商持续评价有较好的分类效果。

基于WNN空调机组故障诊断

本文中详细阐述小波神经网络(WNN)的结构、原理,在探讨智能大厦中空调机组的主要故障的基础上,提出应用小波神经网络的诊断方案。经过MATLAB仿真运行证明,在相同的条件下,WNN网络在故障诊断的准确率及训练速度方面均优于传统的BP网络。

基于季节-WNN组合模型的煤矿事故预测

为了对矿山生产领域安全状况演化趋势进行准确预测,考虑实际生产中的季节性因素,本文构建季节-WNN组合模型对生产事故进行预测。其中,采用X-12-ARIMA模型对安全事故时序进行季节调整,将其分成平稳时间序列和季节因子序列。季节因子序列每年呈现相同规律,用WNN模型预测平稳时间序列,再按照乘法模型还原为真实预测序列。本文以我国煤矿生产安全为背景,将2015—2019年煤矿月度死亡人数作为观测值进行建模,预测2020年月度煤矿事故死亡人数,并将其与2020年煤矿事故月度死亡人数的真实值进行验证,将几种典型的预测模型与本文所构建模型进行对比分析。结果表明:我国煤矿事故存在显著的季节性特征,季节-WNN组合模型的平均相对误差为1.1%,预测精度显著优于单一的预测模型,且与我国煤矿事故实际走势较为吻合,具有良好的预测效果。预测模型可为安全事故的预测提供方法和指导,也可为煤矿安全生产监管决策提供依据。

PCA-WNN模型在导水裂隙带高度预测中的应用研究

导水裂隙带是煤层顶板水害的主要通道,准确预计导水裂隙带高度是预测和防治煤层顶板水害的首要任务。基于导水裂隙带发育的复杂性及其影响因素之间的相关性,结合煤矿生产实际和工程地质理论,选取采高、工作面斜长、硬岩岩性比例系数、采深和煤层倾角作为主控因素,利用线性回归拟合及灰色关联分析法分析各主控因素与导水裂隙带发育高度的相关性。将主成分分析(principal component analysis,PCA)与小波神经网络(wavelet neural network,WNN)相结合,通过PCA消除各主控因素间的相关性及冗余信息,构造无相关性的主成分作为WNN的输入因素,建立导水裂隙带高度预测的PCA-WNN模型。结果表明:PCA-WNN模型能有效消除因素间的相关性,预测相对误差为-6.66%~6.13%,平均4.46%,较单纯的WNN模型预测精度高且稳定。将该模型应用于山东新巨龙煤矿1302N工作面,得到了较为准确的预测结果,为导水裂隙带高度预测提供了新方法。

基于BA-WNN的滑行道安全风险预警方法

为更有效地实现具有复杂性、时变性及非线性的机场滑行道安全风险预警,降低事故发生率,针对小波神经网络(WNN)训练过程易陷入局部最优以及训练不稳定等影响预测准确性问题,采用蝙蝠算法(BA)优化WNN,设计和实现基于BA-WNN的滑行道安全风险预警方法,并将其与BP神经网络(BPNN)、WNN、遗传算法优化小波网络(GA-WNN)等3种方法进行有效性对比。结果表明:BA-WNN方法的预警准确率最高(约为84%),在所有工况下误警率都较低。

基于HPSO-WNN的牵引变压器故障诊断算法研究

为全面有效地诊断电力机车牵引变压器故障,提出一种基于混合粒子群算法的正交小波神经网络(HP-SO-WNN)方法,对牵引变压器进行综合测试和诊断。将色谱数据和电气试验数据作为正交小波神经网络的输入量,网络隐藏层采用具有正交性的小波函数db4作为基函数,利用混合粒子群算法获得正交小波神经网络的初始值并优化网络参数。试验结果证明,本文提出的HPSO-WNN确实可有效提高牵引变压器故障诊断速度和准确度。

考虑不确定区间的电力负荷GELM-WNN预测方法

为提高电力市场负荷预测的可靠性,结合广义极值学习机(GELM)、小波神经网络(WNN)和抽样模型构建技术,提出一种混合概率电力负荷预测方法。考虑预测模型和数据噪声的不确定性,利用小波函数将信息分成具有不同频率属性的子序列,并采用相似的分辨率尺度对其进行分析。使用GELM对WNN进行快速训练,通过迭代自适应抽样技术实现模型的不确定性评估,以概率区间形式输出电力负荷预测。提前24 h预测电力系统的最大负荷,结果表明,该方法的MAPE值低于1.1 %,优于灰度值预测和比率估计方法。

基于WNN的光伏功率超短期预测研究

为解决光伏功率预测不准确问题,提出一种基于小波神经网络(WNN)的光伏功率超短期预测方法。分析小波变换的基本方法,说明小波网络的基本结构和初始权重确定方法;提出利用误差反向传播训练WNN的方法,分为GD算法和LM算法进行讨论;提出基于小波神经网络的光照辐射强度的预测方法,并提出评价指标;最后利用某地实际数据进行网络训练,说明了所提方法的有效性,并可知利用LM算法的WNN预测模型比GD算法训练的预测模型在超短期时段的表现更优。

WNN的变电站阀控式密封铅酸电池工作寿命预测

通过应用Matlab软件模拟,提出了利用建立神经网络来预测铅酸电池的工作寿命,并取得了成功。结果显示:通过所建立的模型预测出来的数值和真实值的拟合误差是非常高的,两者的相对误差维持在2.3%以内,这对于变电站中的实际应用是可行的,并且预测速度快,对变电站中电池的消耗情况以及更换有一定的实用价值。

WNN的矿井通风系统可靠性评价模型

阐述了小波神经网络的基本原理,在分析矿井通风系统可靠性影响因素和参考其它评价模型的基础上,建立基于小波神经网络的矿井通风系统可靠性评价模型,并通过实例证明了应用小波神经网络进行矿井通风系统可靠性评价的可行性和优越性;结果表明,用小波神经网络进行矿井通风系统可靠性评价更准确、精度更高。

经GA优化的WNN在交通流预测中的应用

针对城市交通流的复杂性、随机性、非线性等特点,利用遗传算法(GA)优化小波神经网络(WNN),以克服传统神经网络收敛速度慢、易陷入局部最小点等缺陷,在此基础上建立基于GA-WNN的城市交通流预测模型。利用GA-WNN、GA-BP和WNN模型对南昌市南京西路交通流进行仿真预测,实验结果表明,GA-WNN模型的预测效果较好,相比GA-BP和WNN模型具有更高的预测精度和更快的收敛速度。