基于IPSO-RBF神经网络的西北内陆河流域突发水污染风险评估

突发水污染事故会破坏环境、危害健康,开展西北内陆河流域突发水污染风险评估对于维护西部脆弱生态安全尤为重要。该文针对西北内陆河流域突发水污染问题,利用PSR模型遴选18个因素建立突发水污染风险评价指标体系,基于径向基神经网络模型(RBF)构建突发水污染风险评价模型。为进一步保证模型精度,采用改进惯性权重因子和学习因子的粒子群算法(IPSO)对神经网络模型参数进行优化,建立IPSO-RBF神经网络西北内陆河突发水污染风险评价模型,并运用该模型对石羊河流域武威段2017-2022年突发水污染进行风险等级评价。结果显示,石羊河流域武威段突发水污染2017-2019年风险等级为Ⅱ级,2020-2022年风险等级为Ⅲ级,结果与熵权-TOPSIS法一致,与流域治理情况相符。该研究成果有利于提升石羊河流域突发水污染的防控水平与应急处置能力,对于西北内陆河流域水资源管理以及祁连山生态保护具有重要意义。

IPSO-BPNN:一种结合粒子群优化的BP神经网络透射光谱水质亚硝酸盐含量定量化模型

亚硝酸盐是一种常见的水质污染物,主要来源为废水、肥料和污水处理厂等。水质中亚硝酸盐浓度大小是评估水体健康程度的一个重要指标,但传统的亚硝酸盐浓度检测方法操作复杂且容易受到检测环境的干扰,无法直观和准确的反映出水质健康程度。为了探究一种新的方式来评估水体的健康程度,使用IPSO-BPNN模型对亚硝酸盐透射光谱数据进行浓度预测。首先选择10种浓度的亚硝酸盐标准溶液(0.02、0.04、0.06、0.08、0.10、0.12、0.14、0.16、0.18和0.20 mg·L^(-1),使用OCEAN-HDX-XR微型光谱仪在相同的时间间隔下对十个浓度的亚硝酸盐溶液进行扫描,并通过白板校正得到光谱数据的光谱透射率值。使用最大最小归一化、均值中心化两种预处理方法将光谱数据进行维度和中心点的统一,使得不同样本之间的光谱数据具有可比性和可解释性。由于原始光谱数据维度较高,采用核主成分分析进行数据降维,选择代表原始数据97.94%信息的6个主成分进行IPSO-BPNN模型的训练。在预测亚硝酸盐浓度时,对原始粒子群优化算法进行了改进,引入了自适应学习因子和惯性权重更新公式以及粒子种群多样性引导策略,并在BP神经网络的基础上引入了学习率自适应公式,提高了算法的性能。通过比较不同粒子数进行迭代的函数适应度值变化曲线,选择使用100个粒子进行30次迭代来寻找最优权重和偏置组合。结果显示,IPSO-BPNN预测模型的决定系数为0.984360,均方根误差为0.006920,平均绝对误差为0.004103,与当前预测性能较好的随机森林模型、线性回归模型、BP-ANN模型、PSO-BPNN模型和PSO-SVR模型相比,该模型的拟合效果更好,精确度更高。基于以上结果,提出了一种基于IPSO-BPNN模型的高光谱水质亚硝酸盐浓度预测方法,为水体健康程度的评估提供了新的思路。

基于IPSO-MCKD的汽车变速箱轴承故障诊断

针对车辆在城区运行过程中频繁启停造成变速箱滚动轴承故障易发的问题,在轴承故障诊断中引入最大相关峭度反卷积(Maximum Correlation Kurtosis Deconvolution,MCKD)的方法,为了避免过于依赖人工选择MCKD算法中滤波器系数和移位数,提出了一种参数自适应的最大相关峭度反卷积的故障诊断方法。该方法以输入信号的包络谱中最大相关峭度为目标函数,采用改进后的粒子群优化(Improved Particle Swarm Optimization,IPSO)算法优化MCKD中的滤波器系数和位移数,最后通过对故障信号的包络谱进行分析,提取轴承的故障特征。仿真和试验的结果表明,该方法可以有效降低环境中的噪声干扰,准确从强噪声中提取故障特征,实现故障诊断。

结合光谱降维的IPSO-SVR水体总磷浓度预测模型

[目的]选择最优模型对水体中总磷浓度进行预测,为准确、实时、高效检测水资源状况提供支持。[方法]以2021年在长江中下游武汉—安徽地区采集的水质样本作为研究对象,首先,对采集到的长江光谱数据进行最大最小归一化和均值中心化两种预处理操作以便统一数据的范围和均值点,并使用核主成分分析(KPCA)技术对预处理后的光谱数据进行降维操作。选取方差解释率为99.6%下的6个特征向量进行后续预测模型的训练,接着在原有粒子群算法的基础上引入自适应惯性权重更新公式和遗传—模拟退火变异思想,提高算法的寻优能力。使用改进的粒子群优化算法对支持向量回归模型中的超参数组合进行寻优,对支持向量回归模型使用输出的结果进行预测模型的训练,最后使用测试集数据进行总磷浓度的预测。[结果]提出了一种结合光谱降维的改进粒子群优化算法(IPSO)结合支持向量回归(SVR)的水体总磷含量预测模型。通过和当前预测性能较好的几种机器学习模型进行精度的比较发现,该试验模型对长江水体总磷浓度进行预测时决定系数(R^(2))为0.973920,均方根差(RMSE)为0.003012,平均绝对误差(MAE)为0.002105。[结论]使用光谱数据结合降维技术、粒子群优化算法和机器学习模型的算法融合模型检测水体总磷浓度可行性强,精确度高,且拟合效果良好。

基于IPSO-LSTM的井下动目标位置预测实验研究

提升井下人员定位精度能够加强矿山安全监测,最大程度保障井下人员的生命安全。针对现有测距类算法受现场环境影响致使定位精度不足的问题,提出一种基于IPSO-LSTM的定位模型,应用于井下动目标的位置预测。采用LSTM构建指纹定位模型,通过UWB无线模块采集距离信息以构建距离-位置指纹关系数据库,利用数据库对PSO-LSTM模型进行训练,最后将训练好的模型进行目标轨迹预测。为比较不同改进策略对PSO的提升效果,对比了混沌映射随机初始化种群位置、非线性惯性权重递减、非对称优化学习因子和适应度函数优化4种改进策略,实验证明改进的PSO优化算法收敛速度快、鲁棒性好。为验证IPSO-LSTM的定位效果,以平均定位误差作为评价指标,将IPSO-LSTM模型与Chan算法、PSO-LSTM模型、LSTM神经网络、SSA-LSTM模型和GWO-LSTM进行对比,结果显示,IPSO-LSTM定位模型的平均定位误差为30 mm,相对传统Chan算法、LSTM、PSO-LSTM模型分别提升了76%、49%、24%。为降低局部误差偏大的现象,采用中值滤波对输入信息处理,进一步提升了定位精度。研究对进一步提高现有井下动目标定位系统的精度和稳定性具有重要意义和参考价值。

基于AMGA与IPSO算法的42Cr Mo超声滚挤压工艺参数优化

为确定超声滚挤压轴承套圈工艺参数的最优解集,以42CrMo钢为研究对象,表面粗糙度、残余压应力和硬度为表层性能评价指标,设计正交试验。基于试验数据,采用多元回归法建立评价指标的数学预测模型,进行方差分析。对超声滚挤压工艺参数分别采用存档微遗传算法(AMGA)和改进粒子群(IPSO)算法进行多目标优化,对优化后的Pareto前沿图与计算效率进行对比分析,结果表明:在Pareto前沿图中, AMGA最优迭代2000次优于IPSO算法最优迭代3600次;得到超声滚挤压工艺参数最优解集:转速[250, 355]r·min^(-1)、进给速度[13, 24]mm·min^(-1)、振幅[16, 22]μm、静压力[488, 650]N;表层性能评价指标最优解集:表面粗糙度[0.398, 0.501]μm、残余压应力[823, 986]MPa、硬度[713, 742]HV。通过试验验证了算法优化的可靠性和精确性。

基于VMD-LSTM-IPSO-GRU的电力负荷预测

为了挖掘电力负荷数据中的潜藏信息,提高短期负荷预测的精度,针对电力负荷强非线性、非平稳性等特点,提出一种基于变分模态分解(variational mode decomposition,VMD)、长短时记忆神经网络(long-term and short-term memory network,LSTM)、改进的粒子群算法(improve particle swarm optimization,IPSO)和门控循环单元(gated recurrent unit neural network,GRU)的混合预测模型。首先,使用相关性分析确定输入因素,再将负荷数据运用VMD算法结合样本熵分解为一系列本征模态分量(intrinsic mode fuction,IMF)和残差量,进而合理地确定分解层数和惩罚因子;其次,根据过零率将这些量划分为低频和高频,低频分量使用LSTM网络,高频分量利用IPSO-GRU网络分别进行预测;最后,将预测结果重构得到电力负荷的最终结果。仿真结果表明:相对于其他模型,所提混合模型可有效的提取模态特征,具有更高的预测精度。

基于IPSO-SVR的反导装备体系效能评估方法研究

鉴于反导装备体系运行机理复杂、结构不清难以选择合适的效能评估模型等问题,采用“数据驱动+深度学习”的方法对反导装备体系效能评估展开研究。结合反导装备体系作战过程,从探测跟踪、指挥控制、火力拦截和综合保障4个方面构建了反导装备体系效能评估指标;针对PSO算法容易陷入局部极值、早熟收敛等问题,提出改进型粒子群优化算法,对SVR参数进行优化,建立了IPSO-SVR效能评估模型;在大量反导装备体系实验数据抽取、处理、分析的基础上,对IPSO-SVR模型进行训练和学习,以此获得对反导装备体系效能的非线性拟合。实验结果表明:所提效能评估方法期望输出和实际输出之间误差非常小,拟合精准度高,具有较高的可靠性和可行性。

基于IPSO-SVC的含风电配电网稳压控制策略

当配电网含风电接入时,电能质量会受到较大的影响。为解决不同风速下风力机出力不同影响配电网电压稳定性的问题,利用静止无功补偿器提高含风电配电网电压稳定性。在考虑不同风速场景下,引入改进粒子群算法并以配电网系统有功损耗最小为目标函数,优化SVC控制参数,改善SVC对电压的控制性能。以含风电IEEE 33节点算例进行仿真计算,验证了该算法的正确性和可行性。

集成NSGA-Ⅱ与IPSO算法的仓储货位分配多目标优化策略

优化仓储货位分配直接影响仓库运作效率和物流成本,为此提出了一种结合非支配排序遗传算法Ⅱ(NSGA-Ⅱ)与改进粒子群优化算法(IPSO)的多目标优化策略。通过深入分析货位分配的复杂性,构建了一个综合考量货物存取效率与存储空间利用率的多目标优化模型。对传统粒子群优化算法(PSO)进行改进,通过动态调整粒子的速度更新策略,显著提升了算法的全局搜索效率。将改进后的PSO算法与NSGA-Ⅱ算法集成,有效增强了解决方案的多样性和质量。经过对比分析,所提出策略在提高仓储效率和空间利用率方面有显著优势。

基于IPSO-NESN算法的输电线路接地电阻预测

为解决求解输电线路接地电阻值精度不足的问题,提出了1种基于改进粒子群算法(PSO)优化非线性回声状态网络(NESN)的预测模型,对输电线路的接地电阻进行预测分析。首先,通过引入读出层,将标准回声状态网络进行改进得到NESN。其次,将PSO算法加入动态惯性权重,动态学习因子和变异扰动后得到改进的粒子群优化算法(IPSO),以提高种群的多样性,并提升了种群的全局搜索能力与局部开发能力。最后,利用IPSO算法优化NESN的参数,建立基于IPSO-NESN的预测模型。算例分析结果表明,IPSO-NESN模型预测效果优于回声状态网络(ESN)和PSO-NESN模型,可应用于输电线路接地电阻预测。

基于SA-IPSO的机械臂轨迹规划及仿真

为满足复杂装配场景下机械臂高效且平稳的运行需求,在时间-冲击最优约束下,提出了结合改进粒子群优化(improved particle swarm optimization,IPSO)算法的4-5-4多项式插值轨迹规划方法。首先,基于标准Denavit-Hartenberg(D-H)方法,建立机械臂仿真模型,并进行了运动学求解与验证;其次,针对传统粒子群算法易陷入局部最优的问题,通过种群混沌初始化,引入模拟退火算法(simulated annealing,SA)中的Metropolis准则,优化动态因子对其进行改进,并求解机械臂末端最优多项式插值曲线,通过仿真验证算法的优越性;最后,探究了时间冲击系数对优化效果的影响,当时间系数β1=0.6,冲击系数β2=0.4时,优化效果最佳,且相比优化前,机械臂的工作效率提高27.5%,冲击值降低26.36%。

基于DRNN-LSTM-IPSO的锅炉经济运行优化目标值

锅炉作为火电厂的重要设备,提高其运行经济性直接影响电厂的生产效益,而锅炉运行参数优化目标值的合理确定是保障锅炉经济运行的关键。首先提出改进的高斯混合模型算法应用于工况划分,即通过划分数据的分散度作为依据并基于马氏距离来构建评价准则函数,以确定聚类数;其次通过构建具备长短时记忆功能的深度循环神经网络(deep recurrent neural network with long-short term memory, DRNN-LSTM)建立各工况区间下的经济模型;最后在经济模型构建的基础上,针对传统粒子群算法容易陷入局部极值问题,通过对惯性权重和加速因子进行调整得到改进的粒子群算法(improved particle swarm optimization, IPSO),可更加精准地在不同工况下进行区间范围内寻优,确定运行参数的优化目标值。实验结果表明,采用本文方法确定的优化目标值对应供电煤耗优于历史最优运行值,说明了该方法在挖掘锅炉优化运行潜力上具有一定的优势,按此方案调整锅炉运行可有效降低能耗水平,以达到锅炉经济运行的目的。

基于IPSO算法的火电载能工业炉园区碳排放模型构建

为了降低火电载能碳排放量,实现工业炉园区火电载能的碳排放优化,提出基于IPSO算法的火电载能工业炉园区碳排放模型。通过工业炉园区火电机组的度电煤炭消耗量,计算火电机组的碳排放强度,结合最小二乘算法拟合各个火电机组的煤耗特性曲线,以此为基础,将含煤耗量最小、费用最小、污染物排放量最小视为目标函数,结合总负荷平衡、旋转备用容量等约束条件,构建工业炉园区碳排放优化模型,并通过IPSO算法对模型进行求解,实现工业炉园区火电载能的碳排放优化。测试结果显示:该模型有效完成机组在低碳、基准以及高碳三种情况下的燃煤特性曲线拟合,优化后机组碳排放浓度最大结果分别为744.5、502.4.833.6mgm=3,最高日碳排放量分别为10087.3、89665.4、92204.3kg,在满足园区供需的情况实现碳排放量的优化。

基于IPSO-LSTM的新能源汽车锂电池健康状态监测

为监测新能源汽车锂电池的健康状态(SOH),防范电池故障引发安全事故风险,提出改进粒子群算法(IPSO)和长短期记忆(LSTM)神经网络相结合的模型,监测锂电池的SOH。首先,采用Spearman相关性分析法,提取锂电池SOH监测的健康因子;其次,采用线性惯性权重和非对称学习因子改进传统粒子群算法(PSO),利用IPSO算法对LSTM模型的隐含层神经元个数、神经元失活率、批处理值进行关键参数寻优,进一步优化LSTM模型,建立IPSO-LSTM锂电池SOH监测模型;最后,以新能源汽车主流采用的18650锂电池数据集验证IPSO-LSTM模型,并对比分析BP、LSTM和PSO-LSTM这3种模型。结果表明:IPSO-LSTM模型的平均绝对误差(MAE)在0.02以内、均方根误差(RMSE)在0.03以内,监测误差在15%以内,相较于BP、LSTM、PSO-LSTM模型,IPSO-LSTM模型的误差指标值均最小,模型具有更高的精度和稳定性。

基于IPSO算法的短期电力负荷预测模型研究

为有效减小短期电力负荷预测的预测误差,提高预测精度、缩短预测时间,应用改进粒子群优化(IPSO)算法建立了1种短期电力负荷预测模型。通过水平方向和垂直方向的平滑修正,对历史数据的异常负荷点进行识别并修正。利用相同日期类型正常负荷,计算缺失数据填充值。采用模糊化处理,计算日期类型、温度、天气隶属度函数,对短期负荷变化因素进行量化处理。将历史数据的负荷值和量化值作为训练数据。为避免粒子群优化(PSO)算法陷入局部最优,采用IPSO算法找到全局最优解,建立了短期负荷预测模型,实现了短期电力负荷预测。试验结果表明,所设计模型预测结果在休息日和工作日的最大相对误差值、平均相对误差值分别为0.97%、0.53%和0.99%、0.65%,能够有效减小预测误差、提高预测精度、缩短预测时间。该研究为电力系统相关人员进行负荷预测提供了参考。

基于IPSO-ELM模型的调水工程输水损失预测方法研究

输水损失对调水工程的效益有重要影响,是调度计划制定的关键参数,准确预测输水损失对制定精细化调水方案,优化调度运行有重要意义。针对输水损失预测方法存在的局限性,提出一种计算精度优、构建效率高、适用范围广的输水损失预测方法:利用相关分析法和主成分分析法进行输水损失影响因素筛选,通过相关分析删除反映信息重复的指标,通过主成分分析筛选出重要性高的指标;基于筛选出的指标体系构建改进粒子群算法优化的极限学习机(IPSOELM)输水损失预测模型。以南水北调东线梁济运河段为例;经筛选,水深、流量、气温和风速为主要影响因素,建立IPSO-ELM输水损失预测模型;使用经过实测资料训练、验证后的预测模型,对不同情境下的数据进行日输水损失预测,并分别与极限学习机(ELM)模型和多元非线性回归(MNR)模型的预测结果对比分析。结果表明:IPSO-ELM输水损失预测模型计算的输水损失量和实际输水损失量十分接近,确定系数为0.9625,平均绝对百分比误差为1.322%,较MNR模型和ELM模型分别降低了52.89%和51.06%;预测误差主要分布在[-0.25,0.30]万m^(3)内,误差分布范围小于另外两个模型。即IPSO-ELM模型预测精度和泛化能力均优于另外两个模型,证明该方法是合理可行的,可用于计算不同调水情境下的输水损失,为水资源调度提供更加精确的水量信息。

基于IPSO-BP神经网络的高含沙水体对鱼类影响预测方法

水库进行水力排沙时,高含沙水流过程可能会对鱼类等水生动物产生负面影响,其量化评估方法研究较为薄弱。为了预测和评估水库排沙过程对下游鱼类的影响,本文利用黄河花斑裸鲤和鲤鱼在高含沙水体中生存特性研究的实验数据,综合考虑含沙量和粒径、溶解氧、暴露时间、水温等因子对鱼类生存的影响,建立了基于IPSO-BP神经网络的高含沙水体对鱼类致死影响预测方法,对目标鱼类死亡率的预测误差小于6%。本文使用了与BP神经网络紧密耦合并引入动态参数和变异扰动的IPSO算法,较BP和PSO-BP神经网络预测能力更佳,相比国内外已有的Stress Index(SI)、Severity of Ill Effect(SEV)和多元拟合方法预测精度得到显著提升。分析表明,本文提出的预测方法能够考虑高含沙水体中鱼类生存受多环境因子联合制约,且多因子之间存在复杂关联的情况,可为评估高含沙水流过程对水生态的影响提供新的方法。

基于EMD-IPSO-LSTM模型的短期电力负荷预测

准确地预测短期负荷为发电厂电力调度提供依据,提高电力系统的经济性。由于负荷数据的非线性非平稳性,提出一种经验模态分解-改进粒子群算法-长短期记忆(EMD-IPSO-LSTM)的预测模型。首先,利用EMD处理非线性的负荷序列,将序列分解为多个本征模态函数(IMF)以及残差(Res),引入非线性递减分配方法和正弦函数分别改进粒子群算法(PSO)的惯性权重和学习因子,可以更有效地寻找LSTM参数的最优解。其次,利用IPSO优化LSTM的第1层神经元个数、损失率、以及批量大小等参数,将所有IMF和Res分为高、中,低频三组分量,并代入优化后的LSTM网络进行预测,叠加获取最终的预测结果。最后,以GEFCom2014预测竞赛电力负荷数据集进行仿真实验,并且对LSTM、IPSO-LSTM、EMD-PSO-LSTM这3种模型作比较,结果表明所提的预测模型具有较高的预测精度。

基于CEEMDAN-IPSO-LSTM的城市轨道交通短时客流预测方法研究

消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后,利用引入自适应策略的改进粒子群算法(IPSO)动态求解长短期记忆神经网络(LSTM)超参数的最优值,构建CEEMDAN-IPSO-LSTM组合模型预测城市轨道交通短时客流量。以广州地铁杨箕站自动售检票系统采集的历史进(出)站客流数据为例进行实验,研究结果表明:IPSO算法较PSO算法在基准测试函数Sphere,Sum Squars,Sum of Different Power,Rosenbrock,Rastigrin,Ackley,Griewank和Penalized上的最小值、最大值、平均值和标准差均更接近最佳优化值,CEEMDAN-IPSO-LSTM模型较LSTM模型、CEEMDAN-LSTM模型、CEEMDAN-PSO-LSTM模型的全月全日进(出)站的预测误差评价指标SD,RMSE,MAE和MAPE分别降低了12~40人次(13~35人次)、13~44人次(12~35人次)、6~37人次(12~31人次)和5.08%~46.89%(6.5%~35.1%),R和R2分别提高了0.07%~2.32%(0.86%~3.63%)和0.13%~2.19%(0.67%~1.67%),同时在工作日不同时段和非工作日全日的预测性能均达到最优效果。IPSO算法的收敛速度和参数寻优精度均优于PSO算法,且CEEMDAN-IPSO-LSTM模型可应用于城市轨道交通短时客流量的精确预测,同时可为设计规划线网路线、缓解交通压力、提高乘客出行服务质量等提供基础数据支撑。