基于FOA优化PID参数的永磁同步电机转速控制

为提高永磁同步电机转速控制的效果,提出一种基于果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)优化比例积分微分控制(proportional-integral-derivative control)的方法。其中,以PMSM调速系统为背景,构建调速系统的PID方法,然后构建FOA优化PID参数的PID控制器,以实现永磁同步电机转速系统的自适应控制。仿真结果表明,FOA-PID方法具有响应速度快、超调小、抗干扰能力和速度调节能力强的特点,在固定负载改变转速条件下,仅需0.02 s即可达到稳定状态,有效改善了永磁同步电机转速控制系统的控制性能;相较于标准PID和RBF-PID方法,FOA-PID方法在正向起动转速情况下的超调量为1.36%,分别低5.73%和1.12%;在负向起动转速情况下,FOA-PID方法的最大超调量为0.56%,分别低15.13%和8.22%。由此得出,本FOA-PID方法可行,具有一定的优越性。

基于FOA-BP-AdaBoost的大坝变形预测模型及应用

为提升大坝变形监测预测精度,解决变形量受多因素影响等问题,笔者提出了基于果蝇优化算法(FOA)、BP神经网络的AdaBoost强预测组合模型(FOA-BP-AdaBoost),并与BP神经网络模型、FOA-BP神经网络模型应用于工程实例中的预测精度进行多方位量化对比。结果表明:强预测模型集齐了果蝇算法全局优化、BP神经网络局部寻优和AdaBoost“优中选优”的特点,最大程度优化了预测效果;实例应用证实了FOA-BP-AdaBoost模型在大坝变形预测领域的准确性和有效性。该模型已成功应用于工程实例,可为类似工程提供参考。

基于动态FOA优化RBF神经网络的综合能源系统负荷预测

综合能源系统多元负荷预测是有效提升能源利用效率、降低用能成本的主要途径之一。针对综合能源系统数据繁杂、不易预测的问题,首先引入动态FOA算法优化RBF神经网络,帮助RBF神经网络寻优;其次运用Lasso原理对气象因素进行选择,将负荷数据及气象因素输入到动态FOA优化后的RBF神经网络;最后对北方某园区进行综合能源系统负荷预测,并与BP神经网络进行对比验证。预测结果表明,采用该方法进行负荷预测能有效改善预测效果,保障了区域综合能源系统的优化运行。

基于CIFE-FOA-DELM的SCR脱硝入口NO_(x)浓度预测方法研究

针对脱硝入口NO_(x)浓度监测值作为脱硝前馈输入导致的喷氨控制滞后问题,提出了基于炉膛参数的脱硝入口NO_(x)浓度CIFE-FOA-DELM预测方法。采用互信息特征选择方法进行预测模型的特征变量筛选;引入经果蝇寻优算法优化的深度极限学习建立NO_(x)浓度预测模型;并利用某660 MW火电机组历史运行数据进行模型验证,与反向传播、支持向量机、深度极限学习机、FOA-SVM模型的预测结果进行对比。结果表明:CIFE-FOA-DELM预测方法具备更高的预测精度,平均绝对百分比误差SMAPE、均方根误差SRMSE、拟合优度R2分别为0.261%、1.384、0.965。与CEMS监测数据对比,脱硝入口NO_(x)浓度预测值提前了180 s,有利于解决喷氨控制滞后问题。

基于LLE-FOA-SVR模型的煤矿突水预测

针对煤矿突水预测精度低、训练速度慢的问题,提出基于局部线性嵌入(LLE)—果蝇优化算法(FOA)—支持向量回归(SVR)的煤矿突水预测模型。首先,利用LLE在非线性数据特征提取方面的优势,提取煤矿突水影响因素原始数据的本质特征,形成重构因子,减少数据间的冗余信息和噪声。然后,利用FOA对SVR的参数进行迭代优化,并将最优参数代入SVR中,以解决传统SVR参数优化困难的问题。最后,结合实例并将LLE-FOA-SVR模型的预测结果与反向传播(BP)、SVR、LLE-SVR模型的预测结果进行对比。实验结果表明:该模型的预测精度高于其他3种模型,预测精度可达90%,且建模时间和运算时间更短。

基于超球和ASSRFOA的多生支持向量机

支持向量机(support vector machine,SVM)是一种基于结构风险最小化的机器学习方法,能够有效解决分类问题.但随着研究问题的复杂化,现实的分类问题往往是多分类问题,而SVM仅能用于处理二分类任务.针对这个问题,一对多策略的多生支持向量机(multiple birth support vector machine,MBSVM)能够以较低的复杂度实现多分类,但缺点在于分类精度较低.本文对MBSVM进行改进,提出了一种新的SVM多分类算法:基于超球(hypersphere)和自适应缩小步长果蝇优化算法(fruit fly optimization algorithm with adaptive step size reduction,ASSRFOA)的MBSVM,简称HA-MBSVM.通过拟合超球得到的信息,先进行类别划分再构建分类器,并引入约束距离调节因子来适当提高分类器的差异性,同时采用ASSRFOA求解二次规划问题,HA-MBSVM可以更好地解决多分类问题.我们采用6个数据集评估HA-MBSVM的性能,实验结果表明HA-MBSVM的整体性能优于各对比算法.

基于FOA-BP神经网络的悬点示功图反演技术

悬点示功图是判断抽油机井生产状况的有效手段之一,针对目前电参转功图的难点问题,提出了一种基于FOA-BP神经网络的抽油机悬点示功图反演方法。采集测试抽油机电功率并将其转化为光杆功率,将抽油机光杆功率和扭矩因数作为网络的输入参数,通过模型训练消除抽油机结构及平衡参数对示功图反演计算的影响,再经过小波变换去噪处理,完成由电动机功率向悬点示功图的反演计算。对现场160井次实例计算表明,反演示功图与实测示功图吻合度达95.18%。基于FOA-BP神经网络的抽油机悬点示功图反演技术为及时、准确判断抽油机系统井下运行状态提供了理论技术支撑。

一种基于智能算法的GNSS高程拟合方法

广义回归神经网络(GRNN)是一种新型的前馈神经网络模型,具有训练次数少、耗时短、非线性参数的预报能力较强等优点。但GRNN唯一的调节参数SPREAD不能自动获取限制其进一步的应用。针对该缺陷,本文采用果蝇优化算法(FOA)与GRNN相结合构建FOAGRNN模型对GRNN进行优化,自动获取调节参数的值。为了检验FOAGRNN模型的GNSS高程拟合精度,进行了实验分析。实验结果证明了FOAGRNN模型的GNSS高程拟合精度可达6mm。为进一步检验FOAGRNN模型的优越性,采用与平面拟合模型、二次曲面拟合模型进行对比。实验结果表示FOAGRNN模型的拟合精度要优于平面拟合模型和二次曲面拟合模型,证明了FOAGRNN模型在数据样本较少的情况下,其GNSS高程拟合精度仍然可以达到较高精度。

基于改进的FOA-SVM导水裂隙带高度预测研究

为准确预测导水裂隙带高度,提出一种新的预测方法。在对部分矿井的导水裂隙带发育情况统计分析的基础上,应用支持向量机(SVM)建立导水裂隙带高度预计模型。采用改进的果蝇优化算法(FOA)优化参数,避免SVM的参数选取对预测准确性的影响。选取统计样本,检验该模型的预测性能。并将该模型的预测结果与未改进的3种方法(FOA优化的SVM、遗传算法(GA)优化的SVM和粒子群算法(PSO)优化的SVM模型)分别进行比较。结果表明:改进的FOA-SVM模型有较高的预测精度和较强的泛化能力,能够相对准确、高效地预测导水裂隙带高度。

基于FOA的叠前反演方法

本文提出一种基于果蝇优化算法的非线性叠前反演方法,利用Schaffer函数F6进行算法性能测试,并对不同加噪百分比的模型数据利用果蝇优化算法(FOA)进行EI反演,提取相应的弹性参数,反演能够收敛到全局最优解。将此法应用于鄂尔多斯SLG地区实际二维数据,能够快速得到较稳定可靠的弹性反演参数,表明文中方法能够用于指示气层的横向变化。

基于ELM和FOA的股票价格预测

针对股票价格预测中应用极限学习机预测存在稳定性不理想的问题,提出了一种改进果蝇优化极限学习机(IFOA-ELM)预测模型的算法。在该算法中,果蝇群通过不断调整群半径来优化ELM的输入层与隐含层连接权值和隐含层阈值,并以优化后的结果为基础,构建ELM预测模型。将IFOA-ELM模型用于股票价格预测。实验表明,与ELM和FOA-ELM相比,IFOA-ELM在股票价格预测中具有更高的预测精度和更好的稳定性。

FOA-LM算法及其在语音信号稀疏分解中的应用

信号的稀疏表示在信号处理的许多方面有着重要的应用,但稀疏分解计算量十分巨大,难以产业化应用。粒子群优化(PSO)及果蝇优化(FOA)等智能算法具备前期收敛速度快,全局搜索能力强的优点,应用到语音信号的稀疏分解中,虽然大大提高了语音信号稀疏分解的速度,但是该类算法后期的收敛速度较低,稀疏分解速度仍然偏低。拉凡格氏(LM)算法具有收敛速度快,精度高的特点,但是LM算法依赖初值,这使它的应用受到了限制。结合智能算法FOA及LM算法的优点,采用FOA算法求出Gabor原子参数初值,利用这些初值进行LM迭代搜索最优原子。仿真结果表明,基于FOA优化算法和LM算法相结合的方法,具有收敛速度快,精度高的特点,有较高的实用价值。

基于改进深度稀疏自编码器及FOA-ELM的电力负荷预测

智能电网的发展使得电网获取的数据逐渐增多,为了从多维大数据中获取有用信息并对短期内电力负荷进行准确的预测,提出了一种基于改进的深度稀疏自编码器(IDSAE)降维及果蝇优化算法(FOA)优化极限学习机(ELM)的短期电力负荷预测方法。将L1正则化加入到深度稀疏自编码器(DSAE)中能够诱导出更好的稀疏性,用IDSAE对影响电力负荷预测精度的高维数据进行特征降维,消除了指标间的多重共线性,实现高维数据向低维空间的压缩编码。采用FOA优化算法优化ELM的权值和阈值,得到最优值,能够克服因极限学习机随机选择权值和阈值导致预测精度低的缺点。首先将气象因素通过IDSAE降维,得到稀疏后的综合气象因素特征指标,协同电力负荷数据作为FOA优化的ELM预测模型的输入向量进行电力负荷预测。通过与DSAE-FOAELM、DSAE-ELM和IDSAE-ELM等模型的对比实验,证明了提出的预测模型能有效提高预测精度,经计算得出预测精度提升大约8%。

基于FOA-SVM模型的输油管道内腐蚀速率预测

针对管道内腐蚀速率相关问题,采集某输油管道内腐蚀的实测数据,应用多元统计分析算法,在支持向量机(SVM)的基础上建立管道内腐蚀速率预测模型。采用果蝇优化算法(FOA)对预测模型进行优化训练,建立FOASVM预测模型,利用实测数据样本对模型的预测结果进行检验。结果表明:综合方差和均差分别为1.397×10-3和0.037 4,FOA-SVM预测模型相比灰色组合模型预测值和最小二乘支持向量机(LS-SVM)模型预计结果稳定性好、精度高,但是FOA-SVM预测模型训练时间较长,今后在提高模型预测效率上需要进一步研究。

基于FOA-ELM的客户基金购买行为预测仿真

在客户基金购买行为预测问题的研究中,分析和预测客户基金购买行为对于基金销售公司而言具有非常重要的经济意义。针对客户基金购买行为预测中应用极限学习机预测存在精度不理想的问题,提出果蝇优化极限学习机预测方法。在上述方法中,果蝇优化算法不断优化极限学习机的输入层与隐含层连接权值和隐含层阈值,并以优化后的结果为基础,构建极限学习机预测模型,并将预测模型用于顾客基金交易预测。仿真结果表明,与极限学习机、灰色神经网络以及果蝇优化灰色神经网络等方法相比,改进的果蝇优化极限学习机在顾客基金交易预测中具有更高的预测精度。

基于果蝇优化算法的加速度计温控系统研究

针对硅微谐振式加速度计在复杂的常温环境下输出不稳定问题,设计了基于改进的模糊PID控制的加速度计温控系统。通过对加热片的热分析和加速度计的温度场仿真,验证了温控系统加热片放置的有效性。采用果蝇优化算法(FOA)和积分分离对模糊PID控制进行优化,给出了优化后温控系统的整体设计。搭建温控系统实验装置,对优化方案进行验证。与PID控制相比,改进的模糊PID控制算法使得温控系统收敛时间减少到60s,超调量减少了9.8℃,稳态误差减少到0.1℃。与无温控相比,加速度计在40℃恒温下启动20min后的零偏稳定性值减少了71.4%。实验结果表明:基于改进模糊PID控制的温控系统可显著提高温度控制的精度。

基于因果时序网络的FOA-GRNN电网故障诊断方法

针对电网故障诊断过程常受到警报信息畸变以及保护设备误动或拒动等不确定因素的影响而导致误诊断的问题,提出了基于时序网络的果蝇优化算法-广义回归神经网络电网故障诊断方法。利用系统保护与设备之间存在的时序逻辑关系,对获得的电网故障警报信息甄别后再进行故障诊断。算例分析及测试结果说明,所提方法能够准确地实现电网的故障诊断,并适应电网拓扑结构的变化。

语音信号稀疏分解的FOA实现

信号的稀疏表示在信号处理的许多方面有着重要的应用,但稀疏分解计算量十分巨大,难以产业化应用。利用果蝇优化算法实现快速寻找匹配追踪(MP)过程每一步的最优原子,大大提高了语音信号稀疏分解的速度,算法的有效性为实验结果所证实。

基于MUSIC与FOA的异步电动机转子断条故障检测

为了更加准确和快速检测异步电动机转子断条特征分量的频率和幅值,通过结合多重信号分类(MUSIC)与果蝇优化算法(FOA)并将其用于异步电机转子断条故障检测。作为一种具有高频率分辨力的谱估计技术,MUSIC能够快速而准确地检测边频以及基频分量的频率大小,即使对于短时采样信号也有良好的性能。然而,MUSIC虽是提取信号频率的有效工具,却没有能力计算各个分量的幅值和相位。因此,该文引入FOA以确定各个分量的幅值和相位,结果表明性能良好。通过仿真和实验验证了基于MUSIC与FOA的异步电动机转子断条故障检测方法的有效性。

基于主成分分析的果蝇算法优化支持向量机回归的红枣产量预测

随着大数据技术和人工智能的快速发展,针对当前红枣产量预测模型精度低、模型优化时间过长等问题,以山西省1993—2020年的红枣产量及17个维度的因素作为基础数据,提出一种基于主成分分析的果蝇算法优化支持向量机回归(principal component analysis-fruit fly optimization algorithm-support vector regression,PCA-FOA-SVR)的红枣产量预测模型。首先利用主成分分析(principal component analysis,PCA)对数据进行降维处理,以5维的指标作为输入变量,产量作为输出变量;其次以支持向量机回归(support vector regression,SVR)为基础模型,利用果蝇优化算法(fruit fly optimization algorithm,FOA)对SVR参数惩罚因子c和核函数参数g进行寻优,构建PCA-FOA-SVR模型。对试验结果进行验证。发现PCA-FOA-SVR的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、决定系数R 2分别为3.11、3.01、0.96,SVR的各指标分别为5.33、4.07、0.9,分别提高了41.7%、26%、6.7%,最后通过GM(1,1)对各维度的数据进行预测,利用PCA-FOA-SVR模型对未来10年山西省红枣产量进行预测,结果显示在2025年红枣产量会达到一个峰值,对后续相关研究提供了一定的科学依据。