基于IWOA-SA-Elman神经网络的短期风电功率预测

由于风力发电的随机性和不确定性使其短期功率的预测工作十分困难,而神经网络模型依靠其强大的自学习能力在风电功率预测领域有着广泛的应用。但神经网络预测精度受初始权重影响较大,且易出现过拟合的问题。为此构建一种基于改进鲸鱼算法和模拟退火组合优化的Elman神经网络短期风电功率预测模型,模型首先利用改进鲸鱼算法结合模拟退火策略获得高质量神经网络初始权值,接着引入正则化损失函数防止其过拟合,最后以西班牙瓦伦西亚某风电场陆上短期风电功率为研究对象,将该算法与BP、LSTM、Elman、WOA-Elman、IWOA-Elman 5种神经网络算法进行算法性能测试对比,结果表明IWOA-SA-Elman神经网络模型预测误差最小,验证了该算法的合理性和有效性。

基于改进SFLA-Elman神经网络的电离层杂波抑制方法

针对高频地波雷达目标检测中电离层杂波的干扰问题,提出了一种基于改进混合蛙跳算法优化Elman神经网络预测抑制电离层杂波的策略。为解决混合蛙跳算法初始种群分布不均匀、收敛精度低、易陷于局部极值等问题,引入Cubic混沌映射、莱维飞行策略、非线性平衡因子和复制操作,增强种群多样性,提高算法搜索能力。利用改进后的算法和其他算法分别优化Elman神经网络预测抑制模型,结果表明,改进后的算法无论是在收敛精度和稳定性上,还是在临近距离单元电离层杂波的预测抑制上,都取得了显著的提升。在基本保留目标信号的基础上,平均信杂比较原始回波提升18.52 dB,较原始混合蛙跳算法提升1.08 dB,对于电离层杂波的抑制具有较高应用价值。

基于PSO-Elman神经网络的井底风温预测模型

目前井下风温预测大多采用BP神经网络,但其预测精度受学习样本数量的影响,且容易陷入局部最优,Elman神经网络具备局部记忆能力,提高了网络的稳定性和动态适应能力,但仍然存在收敛速度过慢、易陷入局部最优的问题。针对上述问题,采用粒子群优化(PSO)算法对Elman神经网络的权值和阈值进行优化,建立了基于PSO-Elman神经网络的井底风温预测模型。分析得出入风相对湿度、入风温度、地面大气压力和井筒深度是井底风温的主要影响因素,因此将其作为模型的输入数据,模型的输出数据为井底风温。在相同样本数据集下的实验结果表明:Elman模型迭代90次后收敛,PSO-Elman模型迭代41次后收敛,说明PSO-Elman模型收敛速度更快;与BP神经网络模型、支持向量回归模型和Elman模型相比,PSO-Elman模型的预测误差较低,平均绝对误差、均方误差(MSE)、平均绝对百分比误差分别为0.376 0℃,0.278 3,1.95%,决定系数R^(2)为0.992 4,非常接近1,表明预测模型具有良好的预测效果。实例验证结果表明,PSO-Elman模型的相对误差范围为-4.69%~1.27%,绝对误差范围为-1.06~0.29℃,MSE为0.26,整体预测精度可满足井下实际需要。

基于RSSR融合RNGO-Elman神经网络的室内可见光定位

针对动态环境下基于接收信号强度的传统可见光定位方法定位精度低、稳定性差等问题,提出一种基于接收信号强度比的改进北方苍鹰算法(NGO)优化Elman神经网络(RNGOElman)的室内可见光定位系统。提出选择一个辅助参考点,将待测参考点与辅助参考点的接收信号强度比值和接收机的真实位置作为训练集数据,建立不受动态环境影响的指纹数据库。针对NGO算法收敛速度慢、容易陷入局部最优等问题,利用折射反向学习策略初始化种群,增加种群多样性,引入非线性权重因子来加快收敛速度,避免陷入局部最优。使用优化后的NGO算法来优化Elman神经网络的初始权值和阈值,构建RNGO-Elman动态定位预测模型。仿真结果表明,在4m×4m×3m的实验空间下,优化后的RNGO-Elman定位模型平均定位误差为1.34cm,定位精度相较于Elman定位算法、NGO-Elman定位算法分别提高了82%,21%。在LED发射功率波动时,基于RSSR的RNGO-Elman定位误差为1.29cm,1.38cm。所提可见光定位方法具有定位精度高、定位性能稳定等优点。

基于IPSO-Elman的气液两相流含气率测量方法

为安全且非侵入式地测量气液两相流含气率,提出一种电阻层析成像(ERT)陈列电阻与Elman神经网络相结合的含气率测量方法。首先,为加快模型训练速度并避免数据冗余,使用主成分分析(PCA)算法对120维的阵列电阻特征降维。然后,在粒子群(PSO)算法中引入自适应惯性权重和非线性学习因子,并加入遗传算法(GA)的交叉和变异行为以加快算法收敛速度。最后,通过改进的粒子群(IPSO)算法优化Elman神经网络初始权值和阈值,并建立含气率测量模型。经对比实验发现,PCA-IPSO-Elman含气率测量模型的平均绝对百分比误差为2.92%,且训练时间较IPSO-Elman模型减少68.8%。说明所提方法可以达到预期的测量效果。

基于SSA-Elman的日光温室温湿度预测模型的研究

有效获取日光温室的温湿度变化趋势对实现温室环境精准调控至关重要。为提高日光温室温度和湿度的预测精度和可靠性,提出一种基于麻雀搜索算法(SSA)优化Elman神经网络的温室温湿度环境预测模型。研究采用斯皮尔曼相关性分析方法筛选出主要的环境影响因子作为输入变量,以日光温室内未来的温度和湿度分别作为输出变量,利用麻雀搜索优化算法对Elman神经网络模型参数分别进行优化调整,完成对日光温室的温湿度变化趋势预测。以山东地区2022年10月1日—2023年1月1日的冬季设施番茄日光温室的监测数据进行试验验证。结果表明,SSA-Elman模型对温度的预测指标均方根误差、平均绝对误差和决定系数分别为0.592、0.320和0.963;对湿度的预测指标均方根误差、平均绝对误差和决定系数分别为0.120、2.530和0.972,说明所提出的模型可有效用于对日光温室温湿度进行精准预测,可为未来温室环境的精准调控提供可靠的数据支撑和决策依据。

基于生产间歇改进Elman的转炉煤气发生量预测

针对钢铁企业转炉煤气发生量间歇时长波动大,预测精度低的问题,基于生产间歇特征分类,提出基于混沌映射粒子群算法(CPSO)优化Elman神经网络的转炉煤气发生量预测模型(CPSO-Elman)。提取转炉煤气发生量时间序列中生产间歇特征,并根据间歇时长进行分类;引入经混沌扰动改进的PSO算法优化ENN的初始权值和阈值,利用非线性更新的惯性权重以平衡全局搜索与局部搜索能力,并在粒子初始化中添加了混沌映射;构建CPSO-Elman转炉煤气发生量组合预测模型;在预测未来时间内间歇时长基础上,预测转炉煤气发生量。仿真结果表明:所提方法在预测精度上比未经过优化而预测的方法提高了5%左右。

短期光伏功率模糊Elman-DIOC神经网络预测分析

为了提高短期光伏功率预测效率,设计了一种基于Elman神经网络的短期光伏功率预测方法。在确定网络结构与各项参数的基础上实现准确预测,该方法受到训练后表现出很高的准确率和合理性。研究结果表明:类簇数据表达到了较大相似度,类簇间数据表现出了明显差异特征。采用优化方法开展发电功率预测,建立预测值和实测值的关系,预测日达到了与实测值相近的预测结果,采用优化聚类算法获得了更精确预测结果。通过该算法优化后,预测误差均值明显下降,IMSE均值下降幅度约80%,获得更有效的聚类结果,采用优化聚类处理可以促进短期预测精度的有效提升。该研究可以拓宽到其它的同类领域中,具有很好的实际推广价值。

基于改进WOA-Elman模型的舆情热度预测研究

针对公共卫生舆情事件的突发性和破坏性等问题,为了更精准预测舆情发生时的热度走向,本文构建了基于改进鲸鱼算法(WOA)优化Elman神经网络的舆情热度预测模型。首先根据百度指数和360趋势,对2020年1月1日至同年2月19日时段“COVID-19”事件的时间序列指标进行选取;其次利用WOA优化Elman神经网络初始值和阈值的方法进行训练和预测;最后与标准BP神经网络模型、标准Elman神经网络模型进行对比分析。结果表明,改进WOA-Elman的平均绝对百分比误差、均方根误差分别为4.7843和219363.7844,该预测模型的预测结果与原始数据更吻合,预测精度和预测误差上更具优势,在解决突发公共卫生舆情事件热度预测问题上切实有效。

基于经验模态分解-灰色关联度分析-蒲公英优化器改进Elman网络的锂离子电池健康状态估计

准确、可靠的锂离子电池健康状态(state-of-health,SOH)估计有助于提高电池设备的安全和稳定运行。针对目前SOH无法直接测量、健康特征难以提取和估计方法不足等问题,提出了一种基于经验模态分解-灰色关联度分析-蒲公英优化器(empirical mode decomposition-dandelion optimizer,EMDDO)Elman的锂离子电池SOH估计方法。基于NASA Ames研究中心公开的锂离子电池老化测试数据和实际实验测试数据,提出利用经验模态分解(empirical mode decomposition,EMD)对电池老化数据进行信号分解,从而得到反映电池SOH的特征分量,然后利用灰色关联度分析(grey relation analysis,GRA)对特征分量进行相关性分析来选择模型输入。最后,应用蒲公英优化器(dandelion optimizer,DO)对Elman网络的参数进行优化来提高神经网络的估计性能。实验结果表明,该方法能够准确地估计出锂离子电池的SOH,其估计结果的R2始终大于98%,此外,通过对电池数据在不同训练集数量情况下的SOH估计验证,进一步证明了所提出的估计模型有着良好的泛化性和鲁棒性。

基于改进Elman神经网络的CFRP补强钢板界面脱粘预测研究

针对碳纤维复合材料(carbon fiber reinforced polymer, CFRP)补强钢结构出现内部界面脱粘损伤后难以观测的问题,结合Lamb波检测方法和神经网络提出了一种界面脱粘预测方法。搭建了基于Lamb波的CFRP补强钢板信号分析试验平台,利用ABAQUS软件建立了CFRP补强钢板的机电耦合有限元模型,并通过试验验证了有限元模型的准确性。将长方形和圆形两种脱粘形状的信号在时域和频域内进行分析,基于自适应遗传算法改进的Elman神经网络建立了CFRP补强钢板脱粘预测模型,并将与脱粘面积相关性较高的信号特征数据作为预测模型的特征数据。对预测模型进行性能测试,脱粘形状为长方形和圆形预测值的平均绝对百分比误差分别为3.03%和8.06%,结果表明改进的Elman网络对于脱粘损伤具有较好的预测精度。

基于K-Means^(++)和Elman神经网络的低压台区线损计算方法

为了解决低压台区线损计算在理论上因线路复杂、用户众多以及数据获取困难等带来计算难度与精度不足的问题,提出了一种结合改进K-Means^(++)算法与Elman神经网络的创新计算方法。深入分析了低压台区线损的决定因素,并依据相关性分析构建了线损的关键特征指标集。采纳主成分分析方法实施数据降维,简化数据结构。通过改进的K-Means^(++)算法对数据集进行有效聚类,优化模型训练过程。同时,整合粒子群优化算法进一步提升Elman神经网络的性能。通过对实际数据进行仿真验证,结果证实所提出的方法在训练效率和计算精度方面表现优异。

基于VMD-ELMAN的肌电信号对下肢关节角度预测

表面肌电信号(Surface Electromyography,sEMG)提前于人体动作产生,常用于预测人体行为运动意图。但由于其自身的非平稳性与时变特性,因此难以较为准确地预测人体下肢关节角度变化。文中研究人体下肢肌肉针对正常行走、上下楼梯这3种动作进行的肌肉选取,提出了一种VMD-ELMAN角度拟合算法,提高了表面肌电信号角度预测精度,增强了角度预测的实时性,为提升人与外骨骼设备人机融合度提供了有效的解决方案。实验结果表明,相比常见角度拟合算法,所提算法的时间耗时较短,在3种常见动作中,髋关节角度预测值RMSE的最高精度达0.5789,膝关节角度预测值RMSE均在0.2以内,预测精度均优于常见模型,模型鲁棒性强。

基于VMD-LSTM-ELMAN模型的国际原油价格人工智能预测研究

针对国际原油价格序列的高度非线性、非平稳性和时变性等复杂特征,本文提出一种基于变分模态分解(Variational modal decomposition, VMD)和组合预测模型LSTM-ELMAN的方法对国际原油价格进行预测。首先采用VMD方法将原始原油价格分解为不同频率的子序列;然后采用不同模型分别对高频和低频序列进行预测,利用ELMAN神经网络(Elman neural network, ELMAN)预测最后一个高频分量,长短期记忆网络(LSTM,Long short-term memory network)作为主要的预测模型来预测其他子序列;最后重构不同模型的子序列预测值,进而得到最终的预测结果。实证研究结果表明,本文所提出的VMD-LSTM-ELMAN混合模型相较于对比模型不仅能够明显提高国际原油价格的预测精度,而且在不同训练集长度和市场环境下仍能保持预测优势,具有较强的泛化性与可靠性。总体而言,基于国际原油价格的实验证明了VMD-LSTM-ELMAN是一种有效且稳定的预测模型,能够为政府和企业提供有效的智能技术支持。

基于EMD-GM-Elman神经网络组合模型的新型电力系统新能源发电量及负荷需求量预测

针对新能源发电量预测中单一模型精度不足的问题,提出了一种EMD-GM-Elman(empirical mode decompositiongrey model-elman)神经网络组合模型。该模型通过经验模态分解(empirical mode decomposition,EMD)预处理数据,提取局部特征;利用灰色预测模型预测各本征模态函数(intrinsic mode functions,IMF),结果输入Elman神经网络捕捉动态特征;最终通过数据重构得出预测结果。仿真结果显示,该模型预测精度从传统模型的58.1%提高到65.14%。

基于WOA-Elman的Stewart平台位姿正解

为了高效而准确地求解Stewart平台的正解问题,在本研究中,采用了鲸鱼算法来优化Elman神经网络模型。对Stewart平台的六根连杆长度和平台位姿的运动学模型进行了详细分析,并通过平台位姿反解数据创建实验数据集。关于Elman神经网络模型,引入鲸鱼优化算法对该模型进行了优化,以提高计算性能和精度,从而建立了WOA-Elman模型,用于求解Stewart平台的正解。通过详细的仿真分析对模型进行评估,并通过实验来验证模型的有效性。研究结果表明,采用鲸鱼算法优化的Elman神经网络模型在求解Stewart平台正解问题方面表现出色。该模型展现出出色的非线性拟合能力和高度的计算精度,能够快速而准确地求解Stewart平台的位姿正解问题。这一研究成果为解决Stewart平台位姿正解问题提供了一种高精度的方法。

SSA-Elman神经网络模型在建筑物沉降预测中的应用

为了提高建筑物沉降变形预测精度,最大限度地减少监测数据中非变形噪声分量对预测结果的影响,本文在Elman神经网络模型的基础上引入奇异谱分析方法,构建新的SSA-Elman神经网络模型。首先利用SSA方法提取沉降监测数据中的趋势分量与周期分量,剔除噪声分量,提高监测数据信噪比;其次通过Elman神经网络模型分别对趋势分量、周期分量进行预测,得到对应分量预测结果;最后重构趋势分量与周期分量预测结果得到最终预测结果。通过实测建筑物沉降数据分别对Elman神经网络模型与SSA-Elman神经网络模型进行建模与预测,结果表明,SSA-Elman神经网络模型的预测精度更高,更适应长周期预测。

基于GAElman算法模型的电力信息网络安全态势评估

为了提高电力信息网络安全态势评估能力,提出了Elman神经网络模型。在模型中将遗传算法引入Elman算法,并通过主动式和被动式相结合的采集技术对电力信息网络进行数据收集,将各个数据源的原始数据进行综合分析和处理。在具体应用中,通过控制芯片为STM32F429ZET6单片机的ARM32位Cortex TM-M4处理器内核,大大提高了电力信息网络安全态势评估控制能力。试验结果显示,研究方法的评估准确率最高为97.9%,为下一步技术的研究奠定了基础。

基于改进DPC-IGWO-Elman的负荷分解方法

针对现有负荷分解方法负荷特征单一、分解精度低的问题,提出一种结合改进密度峰值聚类算法与改进灰狼算法优化Elman神经网络的非侵入式负荷分解方法。首先针对密度峰值聚类算法(DPC)在处理复杂数据集时缺乏自适应能力的问题对局部密度的计算方法进行改进,再将改进DPC算法应用于用电器负荷数据的聚类分析,从而得到用电器的工作状态标签并进行编码;之后运用Elman神经网络构建分解模型同时引入改进灰狼优化算法(IGWO)对网络参数进行寻优,最后根据网络输出编码获取用电器工作状态标签并根据对应负荷特征信息进行有功功率拟合,完成负荷分解。经公开数据集测试和实验对比,IGWO-Elman模型的识别准确率以及有功功率拟合效果均优于其他模型。

基于鱼群优化算法和Elman神经网络的短期电力负荷预测

精确的短期负荷预测允许用户选择合适的能源利用策略,并最大限度地降低电费支出。为实现更为精确且全局最优的短期负荷预测,提出一种基于鱼群优化算法和Elman神经网络的短期电力负荷预测方案。首先利用小波变换将时间序列分解成分量,并基于对立人工鱼群优化算法进行特征选择。接着基于Elman神经网络模型的水波优化算法进行短期负荷预测,从而显著提高了预测的精确度。最后应用逆小波变换得到每小时的负荷预测数据,借助武汉市电力负荷数据对所提方案进行验证评估。验证结果表明所提方案在冬季数据和夏季数据上的平均绝对百分比误差分别为1.43%和1.98%,明显优于支持向量机、混合网络和小波变换-神经进化算法。