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。

遗传算法与粒子群优化的Elman神经网络模型预测黄土滑坡变形

为准确预测滑坡变形趋势,针对黄土滑坡位移变化复杂的非线性特征,提出基于遗传算法与粒子群算法优化的Elman神经网络模型(GA-PSO-Elman)。顾及Elman神经网络结构参数的随机性可能陷入局部最优解,将遗传算法(GA)较强的全局搜索能力与粒子群算法(PSO)的局部搜索能力相结合,优化预测模型结构参数的权值阈值,提高预测预报精度与收敛速度。将该模型应用于甘肃临夏黑方台滑坡变形预测,结果表明,相较于传统BP神经网络和单一Elman神经网络,新模型具有更高的精度和稳定性。进一步考虑影响滑坡的诸多因素,将湿度、降水等影响因子加入各个训练模型,GA-PSO-Elman模型的学习速度和收敛速度进一步提高,从而有效提高变形预测精度。

基于混合双层自组织径向基函数神经网络的优化学习算法

针对传统方法采用先训练后测试两阶段学习机制极易导致的过拟合或欠拟合问题,提出一种基于混合双层自组织径向基函数神经网络的优化学习(hybrid bilevel self-organizing radial basis function neural network optimization learning,Hb-SRBFNN-OL)算法。首先,将训练过程和测试过程集成到一个统一的框架中,规避过拟合或欠拟合问题。其次,基于进化学习机制,提出上下2层的交互式优化学习算法,上层基于网络复杂度和测试误差自组织调整网络结构,下层采用列文伯格-马夸尔特(Levenberg Marquardt,LM)算法作为优化器对自组织径向基函数神经网络(self-organizing radial basis function neural network,SO-RBFNN)的连接权值进行优化。最后,利用来自多个子网络的综合信息生成模型的最终输出,加速网络全局收敛。为验证所提方法的可行性,分别在多个分类和预测任务中进行了测试实验。结果表明,在与传统神经网络结构相似甚至更好的测试和分类精度下,该方法不仅能实现更快的训练收敛,而且能进化成更精简紧凑的径向基函数神经网络(radial basis function neural network,RBFNN)模型。尤其在污水处理过程中总磷的质量浓度预测实验中,测试集中均方根误差(root mean squared error,RMSE)最高可降低48.90%,实际场景实验结果验证了所提算法的精确性更佳且泛化能力更强。

基于LM-BP神经网络的办公建筑逐时空调能耗预测

利用LM算法对BP神经网络进行改进,以提高模型收敛速度,减少迭代次数,并分别对夏季、冬季空调能耗模拟数据进行样本训练和测试,构建了LM-BP神经网络的办公建筑逐时空调能耗预测模型。结果表明夏季模型的预测值和模拟值之间的MAPE误差平均为5.74%,冬季模型的MAPE误差平均为5%,其误差均在10%以内,说明LM-BP神经网络在建筑空调能耗预测方面的可行性。并以成都地区某办公建筑实际空调能耗数据为基础对该模型进行了验证,其预测值与实际值平均相对误差为6.6%,说明建立的能耗预测模型能够满足实际工程的需要,准确的用电预测数据可为办公建筑用电侧进行实际电力市场交易提供科学的决策依据。

基于PSO-Elman神经网络BDS导航卫星钟差预报

卫星钟差是导航定位系统定位精度的重要影响因子之一.针对北斗卫星导航系统(BDS)精密钟差预报性能寻优问题,提出一种基于粒子群优化(PSO)算法优化Elman神经网络的钟差预报模型方法(PSO-Elman模型),以解决Elman神经网络局部最优问题对钟差预报结果的影响.首先对钟差产品进行预处理;然后通过PSO算法迭代寻优确定Elman神经网络权值、阈值的初始值,并将进行预处理之后的序列数据进行训练建模;再采用武汉大学国际GNSS服务(IGS)数据分析中心(WHU)提供的BDS精密钟差产品数据进行钟差预测;最后将预测结果还原为预报钟差.结果表明:对比于二次多项式(QP)模型、附加周期项多项式(SA)模型、灰色(GM)模型,PSO-Elman模型精度分别提高90.7%、84.2%、81.6%,稳定度提高85.3%、76.3%、36.1%.实验表明:PSO-Elman模型在1~12 h短期预报模拟结果的预报精度和稳定性有显著提高,验证了提出方法的可行性.

基于Elman神经网络的传感器补偿算法研究

为消除随钻测斜仪中的传感器由于受温度、湿度等非目标参量影响,提高随钻测斜仪的测量精度和工作稳定性,采用Elman神经网络,用LM算法对其进行训练,并将其应用到随钻测斜仪的传感器补偿中。仿真结果表明,精度可达10-7,比原来提高了4个数量级,提高了随钻测斜仪的测量精度和稳定性。该方法补偿速度快,补偿效果好,可以应用于其它各类传感器的补偿中。

基于差分电压和ICS-Elman神经网络的锂离子电池剩余使用寿命预测方法

锂离子电池被广泛应用于支撑新能源并网设备中,其剩余使用寿命(RUL)预测对设备运维管理极为重要,该文提出一种基于差分电压和改进布谷鸟搜索算法(ICS)-Elman神经网络预测锂离子电池RUL的方法。首先,对电池内部的电化学反应和外部的数据特征进行分析,选取结合电池内外特征的差分电压曲线作为特征提取对象,在充电差分电压曲线和放电差分电压曲线中选取相关特征;其次,考虑电池容量再生现象,选取Elman神经网络作为电池容量预测模型;然后,为提高预测精度,考虑利用改进的布谷鸟搜索算法对网络的初始权值和阈值进行参数寻优,ICS算法以改进概率公式、增加扩散因子、混沌初始化3种方法对传统CS算法进行改进,最终形成ICS-Elman预测方法;最后,利用NASA数据集和自测数据集对ICS-Elman方法进行验证,对比分析CS-Elman、Elman方法,结果表明所构建的ICS-Elman方法能更准确有效地预测锂离子电池RUL。

基于改进Elman神经网络的发电厂发电量预测

为了减小计划发电量滞后性对发电厂生产活动的影响以及解决发电厂预测电量过程中缺乏科学指导的问题,提出一种结合数据重构和滚动预测的改进Elman神经网络的预测方法.采用变分模态分解(VMD)方法分解上海某电厂2016年-2022年的月度发电量数据,并建立基于天牛须搜索算法(BAS)改进Elman神经网络的发电量预测模型,将分解重构后的数据滚动输入预测模型,结果表明:VMD提高了数据的平稳性,经过分解、重构后的数据滚动输入模型,不仅扩大了原始数据量还避免了影响因素的分析,保留了原始数据特征,使模型的精度和预测速度有了显著提升,能够快速有效地指导发电厂制定燃煤采购及电力市场调度方案.

基于MWOA-Elman神经网络的接地网瞬变电磁缺陷识别

为改进当前瞬变电磁探测系统的局限,提高接地网缺陷识别的效率与精度,提出一种MWOA-Elman神经网络,完成数据由采样到成像的转化过程,快速实现视电阻率成像,精准识别接地网的不同缺陷。首先,通过理论计算完成接地网瞬变场参数样本集,构造Elman神经网络的单映射关系。其次,围绕收敛因子、自适应权重与阈值对鲸鱼算法进行改进,用改进鲸鱼算法(modified whale optimization algorithm, MWOA)优化Elman神经网络的权值和阈值。测试结果表明,MWOA-Elman神经网络在第854步收敛,4项误差指标MAE、MSE、RMSE、MAPE分别为0.103 51、0.040 09、0.126 64和0.333 52%,接地网缺陷识别精度为99.678%,识别效率与精度均优于其他模型。最后,通过分析3×3接地网3种典型缺陷位置的成像结果,验证了MWOA-Elman神经网络应用于接地网缺陷识别的有效性,为嵌入瞬变电磁探测系统的智能算法提供参考。

基于PLS的Elman神经网络算法研究

针对特征变量多的小样本，结合偏最小二乘（Partial Least Squares,PLS）法则原理与Elman神经网络结构性质，提出基于PLS的Elman神经网络算法（PLSElman）.新算法通过PLS对高维小样本进行特征降维时，顾及了与因变量的相关程度，所得到的数据进行网络训练和仿真，明显的简化了网络结构，且可得较精确的网络模型.通过实例分析，结果表明新算法提高了网络的收敛速度、预测的精准率，证明新算法提高网络处理问题的效率.同时为便于验证新算法的有效性，与基于主成分分析（Principal Component Analys，PCA）的Elman神经网络算法（PCAElman）进行了比较，PLSElman算法有明显的优越性.

应用PSO算法改进Elman神经网络的双压凝汽器真空预测

为实现对凝汽器真空的优化控制,引入一种采用粒子群优化(PSO)算法改进的Elman神经网络,建立双压凝汽器真空预测模型,提出对双压凝汽器高、低压侧真空分别进行预测计算,将该模型应用于某600 MW机组的双压凝汽器真空预测,并与普通算法改进的Elman神经网络的预测结果进行比较。结果表明:采用PSO算法改进的Elman神经网络对双压凝汽器高、低压侧真空预测的收敛速度更快、精确度更高,是一种行之有效的双压凝汽器真空预测模型。

一种改进的Elman神经网络算法

由于Elman肌神经网络具有动态记忆功能,作为有效的系统辨识工具在许多领域中都有广泛的应用。然而这种网络学习速度太慢,制约了其向前发展。为了解决这个问题,加速收敛过程,提出了用Rprop算法改进Elman神经网络的方法,并将这种方法应用到布尔序列预测问题中。实验结果证明这种方法可有效提高网络收敛速度,得到较好的预测结果。

基于遗传算法优化Elman神经网络的机床热误差建模

为了提高数控机床热误差模型的预测精度,以某型号立式加工中心为实验对象,采用模糊聚类与灰色综合关联度相结合的方法对机床测温点进行优化,将测温点从8个减少到3个。利用遗传算法(GA)优化的Elman神经网络建立了主轴热漂移误差预测模型,通过实例比较了GA-Elman神经网络模型与普通Elman神经网络模型的预测效果。结果表明,与普通Elman神经网络所建的预测模型相比,GA-Elman神经网络模型对主轴轴向热漂移误差的预测精度较高,残差较小,网络的泛化能力较好。

基于自适应鲸鱼优化算法结合Elman神经网络的股市收盘价预测算法

针对Elman神经网络在基于股市网络舆情的收盘价预测中存在的收敛速度慢且预测精度低的问题,提出了结合基于自适应噪声的完全集合经验模态分解(CEEMDAN)的改进鲸鱼优化算法(IWOA)结合Elman神经网络预测模型。首先,通过文本挖掘技术对上海证券交易所股票价格综合指数(SSE)180股的网络舆情进行挖掘和量化,并利用Boruta算法筛选重要属性以降低属性集的复杂度;然后,通过CEEMDAN算法在属性集中添加一定数量特定方差的白噪声,实现属性序列的分解与降噪;同时,利用自适应权重改进鲸鱼优化算法(WOA)以增强其全局搜索及局部开采能力;最后,利用WOA在迭代过程中不断优化Elman神经网络的初始权重和阈值。结果表明:比起单独使用Elman神经网络,所提模型的平均绝对误差(MAE)从358.8120降低至113.0553;与未采用CEEMDAN算法的原始数据集相比,该模型的平均绝对百分比误差(MAPE)从4.9423%降低到1.44531%,说明所提模型有效提高了预测精度,为股市网络舆情的预测提供了一种有效的实验方法。

基于人工蜂群算法与Elman神经网络的大坝变形监控模型

针对Elman神经网络收敛速度慢、容易陷入局部极小等问题,建立了人工蜂群算法(ABC)与Elman神经网络组合的大坝变形监控模型。应用于某混凝土重力坝的结果表明,单纯Elman神经网络建模方法预测的相对误差和标准差分别为3.50%和0.131,ABC-Elman(人工蜂群算法与Elman神经网络)模型预测的相对误差和标准差分别为1.98%和0.063。从各影响因子对大坝变形的贡献上看,水压分量占27.9%,温度分量占62.3%,时效分量占9.8%。ABC-Elman模型在建模效率、预测精度等方面均有一定的优势,较适合于大坝变形的建模分析,并可推广于大坝渗流、应力等监控模型中。

基于WOA优化神经网络的斜坡道拱顶沉降预测研究

为了更准确地预测地下矿山中斜坡道拱顶沉降的趋势,并控制预测精度,以保障矿山安全,提出鲸鱼算法优化神经网络的斜坡道拱顶沉降预测方法。主要步骤为:首先采取邻点中值平滑处理的方法对原始数据进行处理,将处理好的监测数据作为输入样本对BP、Elman神经网络进行训练、测试;再利用鲸鱼算法对初始权值和阈值优化,最后通过不同模型输出预测值。实验表明:鲸鱼优化后的BP、Elman神经网络模型相比优化前均能更准确地预测斜坡道拱顶沉降;WOA-Elman模型的决定系数为0.948,优于WOA-BP模型0.941,但WOA-Elman模型运行时间耗费671.214 s远超WOA-BP模型307.226 s,WOA-Elman耗费了更多的训练时间换取了少量的精度提升,大幅降低了训练效率;结合工程实例实测值、预测值的分析比较,鲸鱼算法(WOA)优化后的BP神经网络表现出了更高效且准确的斜坡道拱顶沉降预测能力。