基于IPSO-SVM的大气候室相对湿度预测

针对大气候室相对湿度控制效果存在明显滞后的问题,建立改进粒子群算法(IPSO)-支持向量机(SVM)的相对湿度预测模型。首先引入Tent混沌映射初始化种群,使初代粒子均匀分布于搜索空间,增加种群多样性;其次采用新的惯性权重非线性调整策略,平衡粒子的全局搜索与局部搜索能力;最后引入随机蛙跳算法(SFLA)的跳跃机制,一定程度上避免了标准PSO算法过早收敛,陷入局部最优的问题。实验结果表明:在三组数据集中,相较于PSO-SVM和GA-SVM算法,本模型具有最优的预测精度,决定系数均在0.97以上,该模型可为优化大气候室相对湿度控制策略提供参考。

基于AW-GA-BP算法的配电网设备运行环境相对湿度的预测方法及应用

【目的】准确监控和预测配电网设备所处环境相对湿度的状态和变化趋势。【方法】通过分析影响相对湿度的相关因素,提出了一种权重调整(Weight of adjust,AW)和遗传算法(Genetic algorithms,GA)相结合的BP算法(AW-GA-BP算法),在此算法的基础上,建立了对配电网设备所处环境相对湿度变化的神经网络预测模型,并将此算法应用到项目组为云南省某供电局开发的配电网运行环境智能化监测系统上,利用该监测系统所采集到的数据,将不同采样试验数据分别作为训练样本和验证样本,对比研究了AW-GA-BP算法、GA-BP算法和标准BP算法的预测误差。【结果】基于AW-GABP算法预测得到的相对湿度百分误差平均值是4.28%,基于GA-BP算法预测得到的相对湿度百分误差平均值是8.87%,基于标准BP算法预测得到的百分误差平均值是14.64%。【结论】基于AW-GA-BP算法所建模型的相对湿度预测平均误差更小,为预测配电网设备所处环境相对湿度提供了一种更为准确的方法。