基于改进Markov预测算法的电磁态势预测技术

在目前的电磁态势预测训练系统中,电磁态势预测算法作为训练辅助对参训人员的行为校正起到重要作用。当前在电磁态势预测方面主要运用Markov预测方法对电磁态势频谱数据进行处理,该方法预测准确率和真实目标值之间存在较大差异。为解决这个问题,提出模糊C聚类方法和Markov预测方法相结合的改进Markov预测算法,并将该方法运用在电磁态势预测模拟训练辅助模块中,可以将预测准确率提升到90%左右,为训练高效、有序的进行提供有力保障。

基于改进布谷鸟搜索算法的压气机特性曲线预测

为了提高压气机特性曲线的预测精度和边界工况点的泛化能力,本文提出了一种改进布谷鸟搜索算法优化BP(ICS-BP)的模型,应用于某轴流压气机流量-压比特性预测方法研究,并对比分析了采用传统BP、遗传算法优化BP(GA-BP)、布谷鸟搜索算法优化BP(CS-BP)、径向基函数神经网络(RBF)、极限学习机(ELM)、自优化支持向量机(MSVM)和ICS-BP模型的预测结果。分析显示,ICS-BP模型整体预测结果的相对误差最小,普遍在±1%以内,评价指标展现出最高的精度和鲁棒性,预测结果具有最佳的泛化能力,且优化后的模型解决BP易陷入局部最优的问题;ELM和RBF模型运行速度较快的情况下依然具有良好的整体预测精度,但对于边界工况点预测效果欠佳,适用于对时间成本要求高的场景。针对7F重型燃气轮机和NASA74A型号压气机特性曲线,通过ICS-BP模型预测的压比特性精度较高,整体预测结果的平均绝对百分误差分别为1.129%和0.590%,进一步验证了其在特性预测方面的优势。

基于改进蚁群算法的区域科技成果转化率预测研究

科技成果转化率预测是区域科技管理和决策工作中必不可少的环节,由于当前方法的预测精度较低,无法达到预期效果,所以,提出了基于改进蚁群算法的区域科技成果转化率预测方法。采用指数平滑法构建区域科技成果转化率预测模型,通过调整信息素在路径选择中的影响比例来改进蚁群路径选择机制,利用改进蚁群算法对预测模型参数优化实现区域科技成果转化率预测。实验证明,改进后的设计方法预测标准误差不超过0.1,预测与真实关联度在96%以上,预测效果好。

改进灰狼算法优化GBDT在PM_(2.5)预测中的应用

针对灰狼算法易陷入局部最优解和全局搜索能力不足的问题,通过霍尔顿序列(Halton Sequence)搜索算法初始化狼群位置,避免灰狼算法陷入局部最优解和重复运算;引入莱维飞行和随机游动策略对灰狼算法的寻优过程进行优化,以增加算法的全局搜索能力;利用粒子群算法模拟灰狼种群得出的最佳适应度以用于惩罚项改进灰狼算法中的头狼更新策略。使用改进算法优化的梯度提升树(Gradient Boosting Decision Trees,GBDT)模型对北京市大气污染物监测数据中PM_(2.5)质量浓度进行预测,采用3种评估函数对各模型以及混合模型预测效果得分进行评估。结果显示,本文改进的灰狼算法对梯度提升树的优化效果优于其他算法,均方根误差E RMS为6.65μg/m^(3),平均绝对值误差E MA为3.20μg/m^(3),拟合优度(R^(2))为99%,比传统灰狼算法优化结果的均方根误差减少了19.19μg/m^(3),平均绝对值误差降低了10.03μg/m^(3),拟合优度增加了9百分点;与霍尔顿序列和莱维飞行改进的(Levy Flight-Halton Sequence,LHGWO)相比,改进的灰狼算法预测得分的均方根误差降低了10.39μg/m^(3),平均绝对值误差减小了6.71μg/m^(3),拟合优度提高了5百分点。研究表明了预测模型优化的有效性,为未来城市改善空气质量提供了科学依据和技术支持。

基于改进金豺算法的短期负荷预测

针对电力负荷序列波动性和预测精度不高的问题,提出一种基于变分模态分解、排列熵和改进金豺算法优化双向长短期记忆网络的预测模型。首先,利用变分模态分解重构原始负荷序列,再采用排列熵理论对分解后的子序列进行熵值重组;然后,利用改进金豺算法对双向长短期记忆网络的参数进行优化,并对每个子序列建立预测模型;最后,组合各模型结果得到最终预测值。实验结果表明,本文模型预测精度更高,与真实值拟合度更好。

多策略改进蜣螂优化算法及其在光伏发电功率预测中的应用

为了提高光伏发电功率预测的精确度,利用伯努利映射、鲸鱼优化算法的螺旋更新机制和最优个体自适应t分布3种策略改进标准蜣螂优化算法。通过在8种标准测试函数上进行验证,结果表明改进后的算法在收敛速度和寻优能力方面均有显著提升。进一步地,采用改进蜣螂优化算法优化长短期记忆网络模型(IDBO-LSTM)进行光伏发电功率预测,并与其他6种模型进行对比实验。预测结果表明,相较于其他模型,IDBO-LSTM在3种不同的天气类型下都展现出来更好的预测性能。与DBOLSTM模型相比,IDBO-LSTM的平均绝对误差率分别下降了0.08%、3.51%、4.02%。

基于改进灰狼算法优化LSTM的光伏发电功率短期预测

为了提高光伏发电功率短期预测结果的准确性,提出了一种基于改进灰狼(improved grey wolf optimization,IGWO)算法优化长短时记忆(long short term memory,LSTM)神经网络的光伏发电功率短期预测方法。利用余弦相似度寻找相似日,确定光伏发电功率预测的特征量和训练集。采用非线性收敛因子和差分进化策略对GWO算法进行改进,得到收敛性能更好的IGWO算法,采用IGWO算法对LSTM的超参数进行优化,建立了基于IGWO-LSTM的光伏发电功率短期预测模型。使用某小型光伏电站的运行数据进行仿真分析,结果表明,IGWOLSTM模型对晴天、多云和阴雨天气光伏功率预测结果的均方根误差依次为2.11 kW、2.48 kW和2.74 kW,平均相对误差依次为3.43%、4.81%和6.33%,预测效果优于其他方法,验证了所提方法的实用性和有效性。

基于改进深度森林算法的高速公路交通事故风险预测

高速公路交通事故风险预测对于实行动态交通安全管理至关重要。为探究影响高速公路交通事故风险的主要因素以及准确预测高速公路交通事故风险,提出了一种基于改进深度森林算法的高速公路交通事故风险预测模型。首先以高速公路交通事故数据、交通流数据、天气数据、道路条件和特殊时间段数据为基础,选取了能够表征高速公路交通事故风险的特征变量,并采用随机森林算法对特征变量的重要度进行了计算,筛选出对高速公路交通事故风险影响较大的重要特征变量,以解决后面计算过程中的维度灾难问题;然后运用基于决策树的LightGBM和XGBoost算法对深度森林模型的级联森林结构进行了改进;最后将改进深度森林算法应用于高速公路事故风险预测。结果表明:与现有的SVM、随机森林和深度森林算法相比,改进深度森林算法具有更优的预测性能,其预测准确率达到了88.84%,预测结果能为高速公路交通管理部门制定更为有效的安全管控措施提供决策支持。

基于改进GWO–SVR算法的锂电池剩余寿命预测

锂离子电池性能优越,已在B787等机型上得到应用.锂离子电池性能随着使用次数增加而衰退,准确预测锂电池剩余使用寿命从而及时维护/更换,对航班安全飞行具有重要意义.面向锂离子电池剩余寿命预测问题,本文采用容量增量分析等方法提取特征,基于灰色关联分析计算特征与电池容量的关联程度并筛选特征,提出一种基于改进灰狼优化算法(Improved grey wolf optimization, IGWO)和支持向量回归(Support vector regression, SVR)的锂离子电池剩余寿命预测方法.作为近年研究热点的灰狼优化(Grey wolf optimization, GWO)算法寻优性能出色,但是在应用中容易陷入局部最优.针对此问题,IGWO对GWO算法中的位置更新方程进行优化,对狼群中的个体添加了记忆与飞行功能,增强了算法全局搜索和收敛能力;同时基于Skew Tent映射产生混沌序列,优化狼群初始位置分布.基于标准测试函数对比GWO和IGWO算法的寻优能力,结果表明IGWO算法的收敛速度和寻优效果更好,能够避开GWO陷入的局部最优,在部分测试函数上将寻优精度提升了几十个数量级;基于NASA锂离子电池数据集开展IGWO–SVR、GWO–SVR和SVR的剩余寿命预测能力对比实验,结果证明IGWO–SVR能够有效提高预测精度,与GWO–SVR相比预测均方根误差值降低了10%以上.

移动互联环境下基于改进Markov融合模型的用户行为预测算法

在移动互联环境下,随着用户需求的不断增加,业务类型变得日益多样。然而不同类型的网络业务具有完全不同的Qo S指标要求和网络资源需求,从而导致有限的网络资源难以同时满足各类业务的Qo S要求。通过对各用户下一业务类型的预测,相应地预留并配置最佳的网络资源,可有效解决上述问题。因此,提出一种基于改进Markov融合模型的用户行为预测算法。首先,建立面向各单一用户的多阶Markov预测模型,进而引入业务偏爱度修正上述模型,以提高行为预测的准确度;其次,利用用户综合相似度,建立目标用户的最近邻用户集,以此形成多用户多阶Markov融合预测模型,从而实现对目标用户行为的精准预测。仿真结果验证了该算法的有效性。

基于麻雀搜索算法和长短期记忆神经网络的轨道交通站点客流预测

准确的短时客流预测可以为城市轨道交通的良好运营提供保障,但轨道交通的短时客流具有非线性和高随机性等特点,为了提高对短时客流的预测精度,提出将ISSA算法和LSTM模型进行组合,构建城市轨道交通短时客流预测模型.针对SSA算法收敛速度慢,容易陷入局部最优解的问题,引入黄金莱维飞行策略,通过动态调整探索者移动步长的方法,使得它在未知范围内搜索时,能够覆盖更大的范围,提高SSA算法全局搜索的能力.通过使用ISSA算法对LSTM模型的隐含层、学习率和迭代次数的神经元个数进行优化,构建ISSA-LSTM组合预测模型,用于城市轨道交通短时客流的预测.将该模型与BP、LSTM和SSA-LSTM等3种短时客流预测模型进行对比,结果表明:在针对工作日和非工作日客流的预测中,ISSA-LSTM模型预测误差最小,具有较好的预测效果.

多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测

为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

新能源储能波动下的光伏发电预测算法改进

新能源储能系统具有能量的时空平移性,光伏发电已成为未来发电的必然趋势,但是新能源储能自身的波动性使得光伏发电预测不精准。为此,提出了新能源储能波动下的光伏发电预测改进算法。采用储能技术平抑新能源储能波动,缓解波动给光伏发电预测带来的影响。构建光伏发电预测模型,通过光伏发电系统改进结构参数,优化连接权值和阈值。采用升压转换器,选取合适开关控制信号,获取光伏发电最大功率点追踪结果。分析光伏系统实时发电量与时序关联性,采用改进分数阶算法,有效地跟踪光伏发电状态变化,计算光伏发电预测量。由实验结果可知,该算法与实际值存在最大为0.2 kW的误差,其余时间均一致,具有精准预测效果。

基于改进SABO-BP算法的电网谐波预测

针对日趋严重的电网谐波污染亟需大量谐波数据支撑分析和治理及电网谐波监测能力不足的问题,提出一种改进减法平均优化(subtraction average based optimizer, SABO)算法优化反向传播(back-propagation, BP)神经网络实现谐波预测,以缓解当前谐波数据匮乏的问题。为了克服现有SABO算法易于陷入局部最优解,初始化时使用Logistic混沌映射替代随机数,同时迭代搜索中利用黄金正弦优化算法辅助SABO跳出局部最优,从而提高BP神经网络预测准确率。最后,以某省实际运行数据验证所提改进SABAO-BP模型在谐波电压畸变率及单次谐波电压含有率预测中均具有较高准确性。

基于改进灰狼算法优化双向长短时记忆神经网络的水冷壁壁温预测

提出一种基于改进灰狼(MGWO)算法优化双向长短时记忆(BiLSTM)神经网络的水冷壁壁温预测模型,灰狼算法采用非线性因子调整策略、自适应位置更新策略和动态权重修改策略进行改进以提升算法的全局寻优能力,利用改进灰狼算法优化BiLSTM模型的隐藏层数量、学习率和正则化参数以提高模型的预测精度,采用新疆某电厂的数据进行预测仿真,结果表明:改进后的算法预测精度更高,在机组升、降负荷时,均可以预测到壁温的变化趋势,模型的平均均方根误差相比于长短时记忆(LSTM)神经网络、BiLSTM模型分别降低了9.86%和3.69%,且可以提前预测到水冷壁壁温的超温情况,对于预防水冷壁超温有重要意义。

基于改进型Markov的高原湖泊水质预测算法研究

预测水质变化趋势能及时准确发现水质恶化的原因,对指导工农业生产及水质治理有较大意义。但是目前对高原湖泊水质预测算法的研究还很匮乏,为了解决高原湖泊水质预测问题,在有限的水质数据资源的情况下,首先对数据进行预处理,然后再对水质进行Markov算法预测。理论分析和仿真结果验证洱海水质不同化学因子的预测精度达到83.33%以上,相对传统的Markov预测算法在预测精度上有了很大提高。

基于二次分解和改进沙猫群优化算法的空气质量预测

准确预测空气质量对人们的日常生活具有重要意义,提出了一种二次分解和改进沙猫群算法(improved sand cat swarm optimization,ISCSO)优化长短期记忆网络(long short-term memory,LSTM)相结合的预测模型。首先,利用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)算法将PM 2.5数据分解为多个子序列,对预测效果不满意的重构序列使用变分模态分解(variational mode decomposition,VMD)方法进行二次分解;其次,引入Cubic混沌、螺旋搜索策略和麻雀警戒机制改进沙猫群算法,有效提高了算法的全局搜索性能和收敛速度;最后,采用改进的沙猫群算法对LSTM模型参数进行优化,将各个子序列导入ISCSO-LSTM模型预测并叠加得到最终预测结果。实验结果表明,CEEMDAN-VMD-ISCSO-LSTM组合模型具有较低的预测误差,相比CEEMDAN-VMD-LSTM和CEEMDAN-VMD-SCSO-LSTM模型,该模型在均方根误差方面分别降低了2.21和1.04μg/m^(3),在拟合度方面分别提高了4.9%和2.1%。

基于改进沙猫群算法优化CNN-BiLSTM的热负荷预测

针对传统热负荷预测精度不高、无法满足换热站及热网优化调控需求的问题,提出一种VMD-ISCSO-CNN-BiLSTM的热负荷预测模型。首先,利用变分模态分解(VMD)对原始供热负荷数据进行降噪处理,降低数据的不稳定性;其次,由K-means算法改进种群初始化,由演变机制改进寻优能力和由变异机制改进跳出局部最优能力,利用改进沙猫群算法(ISCSO)对卷积神经网络、双向长短期记忆神经网络(CNN-BiLSTM)超参数进行寻优,建立热负荷预测模型;最后通过实例进行分析。结果表明,数据降噪后模型预测精度更高,R^(2)提升1.1%;由ISCSO优化的模型比其他算法优化的模型预测效果更好,拟合度达到99.4%;VMD-ISCSO-CNN-BiLSTM的组合预测模型相较于单一模型,RMSE降低18.5%,MAE降低13.8%,R^(2)提升15.8%,并有更好的拟合度,泛化性强,满足工程实际要求。

基于改进灰狼算法优化支持向量机的边坡位移预测

为了提高边坡位移预测精度,采用帐篷映射和位置收敛参数变化方式调整两种对改进了灰狼算法,得到改进灰狼算法。采用改进灰狼算法对支持向量机进行优化,建立基于改进灰狼算法优化支持向量机的边坡位移预测模型,采用实际水利工程边坡位移数据进行仿真分析,IGWO-SVM模型的平均相对百分误差和均方根误差分别为2.41%和0.21,预测效果优于PSO-BP模型,验证了该模型在边坡位移预测方面的实用性和优越性。

基于改进麻雀算法的PCC-DBN-LSTM气温预测模型

气温预测是气象学中的一个重要研究领域。随着气象精准化发展,迫切需要提升气温预测的精准度。为解决传统气温预测算法效果不佳,并且对于多个站点气象数据时空特征提取能力不足,提出一种基于改进麻雀算法优化的皮尔逊积矩相关系数(PCC)-深度置信网络(DBN)-长短时记忆网络(LSTM)的气温预测模型。首先利用Pearson相关系数对众多的气象参数进行选择,DBN网络对输入的多站点气象数据特征进行提取和降维,LSTM对提取的特征进行建模和预测。由于模型初始化参数众多,提出改进麻雀算法优化DBN-LSTM网络参数,提高模型的预测精度和稳定性。实验表明:所提模型的RMSE为0.527,精度高于单一模型和同类模型。