基于改进GWO-LightGBM的磨煤机故障预警方法研究

为提高燃煤电厂磨煤机运维效率、降低运维成本,对磨煤机故障预警进行了研究。创新性地提出一种基于改进灰狼优化(GWO)算法的轻量级梯度提升机(LightGBM)故障预警方法。通过建立LightGBM轴承温度预测模型获取磨煤机轴承温度阈值,并引入改进GWO算法优化模型超参数,以提高算法效率和性能。试验结果表明,改进GWO-LightGBM算法相比支持向量机(SVM)等传统算法具有更高的精度和更优的泛化能力。通过实际故障案例证明,该方法能够提前2 h对磨煤机进行早期故障预警。该方法对燃煤电厂磨煤机安全运维具有指导意义。

基于GWO-BP神经网络及粮食压缩实验对粮食孔隙率的预测

孔隙率是影响粮堆内热湿传递的关键参数,为探究粮仓中散装粮堆孔隙率的分布规律,通过开展粮食压缩实验来获取不同的粮食种类在不同水分含量和竖向压力条件下的孔隙率。提出了一种基于灰狼算法优化BP(GWO-BP)神经网络的粮食单元体孔隙率预测模型,并将该模型与BP神经网络模型、随机森林模型的孔隙率预测结果进行对比,最后利用粮食单元箱实验对该模型的泛化能力进行验证。结果表明,GWO-BP神经网络模型的孔隙率预测性能最佳,该模型的评价指标R2为0.960 5、RMSE为0.013 7及MAE为0.0131,均在允许的范围内。本研究为粮食孔隙率的确定提供了一种神经网络预测的方法,为深入开展粮堆多场耦合分析提供了重要基础,为安全储粮提供了理论支持。

基于RF-GWO的水利工程地质渗透系数智能反演分析

地质渗透系数是准确分析水利工程渗流的关键参数。针对传统反演方法计算效率低、精度差的问题,采用有限元正演模型和正交试验设计构建渗透系数反演样本集,建立了基于随机森林(RF)算法的渗流计算代理模型;在此基础上,引入灰狼优化(GWO)算法,提出了基于RF-GWO的渗透系数智能反演方法,并以Z抽水蓄能电站为研究案例进行了验证。结果表明:RF模型对各钻孔水位预测结果均接近实测值,性能优于CART和BP模型;GWO可搜寻到地质最佳渗透系数,钻孔水位反演结果合理,相对误差最大为0.42%,精度满足工程要求,计算的天然渗流场分布形态也符合一般山体渗流场分布规律。建立的反演模型能够快速准确地推断工程区地层渗透系数,具有实际工程应用价值。

局部阴影下基于GWO-P&O混合算法的光伏最大功率点跟踪

针对局部遮阴环境下传统灰狼优化(Gray wolf optimization,GWO)算法在跟踪最大功率点时P-U特性曲线出现多峰值、后期收敛速度慢、稳态精度低等问题,结合灰狼优化算法和扰动观察法(Perturbation and observation,P&O)各自的优势,提出了基于GWO-P&O的混合优化最大功率点跟踪(Maximum power point tracking,MPPT)算法。首先,采用灰狼优化算法逐渐向光伏的全局最大功率点靠近。其次,在灰狼优化算法收敛后期引入P&O法,既保持了灰狼优化算法较高的稳态精度,又能以较快速度寻找到局部最大功率点。最后,在不同环境工况下,将所提出的GWO-P&O方法与传统GWO算法进行对比。结果表明,改进的GWO-P&O算法在保证良好稳态性能的同时,一定程度上提高了GWO算法后期跟踪最大功率时的收敛速度。

用于碳酸盐岩储层裂缝检测的GWO-CS-BP算法及应用研究

碳酸盐岩储层中的裂隙是油气的运移通道和储集空间,对于油气勘探、开发和评价都具有重要的指导意义。针对研究区碳酸盐岩储层裂缝检测的难题,提出灰狼布谷鸟优化BP算法(GWO-CS-BP),该算法是将GWO-CS(grey wolf-cuckoo search algorithm)与BP(back propagation)相结合形成的裂隙检测方法。将含裂缝信息的相干、曲率、倾角、方位角和构型张量等属性作为GWO-CS-BP神经网络的输入数据,在工区地质资料约束下根据测井数据获得裂缝发育水平评价指标,进而对研究区裂缝发育水平进行评价并划分等级。研究区碳酸盐岩储层裂缝发育水平检测结果表明,GWO-CS-BP算法能够综合各属性特点对研究区的裂缝发育水平特征进行二次误差控制,获得裂缝发育水平评价指标f s并将研究区裂缝发育水平划分为3个等级及4个裂缝存在区域。其中,当研究区裂缝发育水平参数的值适中时,即f s的值大于4.0且小于5.8时,C区域最有利于油气的聚集,高产井的分布数量较多。利用GWO-CS-BP算法对研究区的裂缝发育水平进行了精细评价,并得出裂隙发育水平参数f s,实现了GWO-CS算法改进的BP神经网络在裂缝检测中的有效应用。

基于GWO-HMM的空中交通网络流系统态势预测研究

针对空中交通流量管理部门如何更高效地实施流量管理的问题,本文将态势感知理论应用于空中交通网络流系统(ATNFS,air traffic network flow system),建立空中交通网络流系统的运行态势预测模型。首先,给出了空中交通网络流系统的态势感知过程,从节点和航线的角度筛选出航线饱和度、不正常航班率、节点饱和度、节点延误架次比、节点航班取消率5个态势要素,使用态势值作为态势理解的指标;其次,分析隐马尔可夫模型(HMM,hidden Markov model)的优势与不足,建立了基于灰狼优化(GWO,grey wolf optimization)算法和改进隐马尔可夫模型的态势预测模型;最后,使用某空中交通网络流系统的实际运行数据进行算例验证。结果表明,改进后的预测模型相较于原本的隐马尔可夫预测模型精度更高,预测结果更准确。

融合GWO和SVR的建筑安全事故预测模型

当前建筑业迅速发展,但随之而来的是频频发生的建筑安全事故,造成不可逆转的损失和伤害。虽然近些年来在建筑安全事故控制方面的研究已取得一定的成果,但建筑安全事故仍未得到有效控制。针对建筑业市政工程安全事故总数和死亡人数,探究二者之间的关系,构建灰狼优化算法-支持向量回归机(Grey Wolf Optimization and Support Vactor Regression,GWO-SVR)组合模型,收集2008—2020年每个月的建筑安全事故数据及死亡人数数据集,发现二者之间成正向相关关系,以建筑安全事故数为特征对建筑死亡人数进行预测,精度达到95%以上,对建筑安全资源与人力投入有较大参考价值,有助于提升建筑安全管理水平。

基于GWO-PSO算法的小尺度地区LID布设优化模型研究

【目的】海绵城市通过低影响开发(LID)雨水系统来降低降雨相关灾害的影响,合理的LID布设方案是开发效果的决定性因素。【方法】通过耦合暴雨洪水管理模型(SWMM)和灰狼粒子群算法(GWO-PSO),建立了小尺度地区LID优化布设模型。GWO-PSO算法中粒子进行了基于社会等级制度的位置策略调整,以此得到更好地寻优性能。模型依据排放口流量,完成参数自动率定,并以洪峰流量为目标,经济成本为约束,求解雨水花园、生物网格、绿色屋顶和透水铺装四种包含相互独立与制约关系的LID设施的优化布设方案。【结果】将该模型应用于某试点小区,在预算182万元的情况下,得到5 a、10 a、20 a和50 a重现期下的布设方案,洪峰削减率分别为61.5%、53.2%、42.4%和31.1%。【结论】结果表明:在小尺度地区进行LID建设时,需要考虑子汇水区面积的影响;对于道路汇水区,需要联系地理位置布设;在低重现期下,各LID设施调控效果均较好,而在高重现期下,绿色屋顶的承受能力最强,且需要更多预算进行削峰。

基于改进GWO的多无人机三维协同航迹规划

针对GWO算法求解多无人机协同航迹时存在协同性差、易陷入局部最优、收敛速度慢以及求解精度差的问题,提出一种基于改进GWO的多无人机三维协同航迹规划方法。首先,建立多无人机三维协同航迹规划数学模型,以消耗代价、高度代价、威胁代价、空间约束、时间约束5者的加权和以及惩罚项作为目标函数;其次,利用贪心算法和Tent映射相结合的方法来提高种群适应度,并保留种群的多样性来减小陷入局部最优的可能性;再改进收敛因子来提高算法收敛速度;然后,设计一种动态权重位置更新方法来提高算法的探索和开发能力;最后,将改进的GWO算法应用于多无人机航迹规划问题求解。与GWO算法和CSGWO算法对比的仿真结果表明,所提出的改进GWO算法在求解精度上分别提高了64.8%和16.7%,在收敛速度上分别提升了28.5%和25.4%,并且协同能力明显优于对比算法。

基于PCA-GWO-GRU的锂离子电池剩余使用寿命预测

为了提高GRU神经网络模型预测锂离子电池剩余使用寿命时的准确性,提出基于PCA-GWO优化的GRU模型,并应用于锂离子电池剩余寿命预测。结果表明,与传统GRU模型相比,经PCA-GWO算法优化的GRU模型具有更高的预测精度。预测起始点为原始数据90%时,预测精度达到最大,对应的均方根误差RMSE为0.0049、平均绝对误差MAE为0.0036、决定系数R^(2)为0.9863。

基于GWO-LSTM-TCN混合模型的锂电池荷电状态估计研究

针对锂电池荷电状态(SOC)具有非线性、时变特性而无法直接测量的问题,提出了一种基于灰狼优化算法混合模型的锂电池SOC估计方法,利用长短期记忆网络(LSTM)和时序卷积网络(TCN)挖掘SOC特征信息,构建锂电池电压、电流与SOC的映射网络模型,引入灰狼优化算法(GWO)确定网络模型最佳超参数,采用马里兰大学公开的INR 18650-20R数据集对SOC混合模型进行实验验证。结果表明,GWO-LSTM-TCN网络模型对锂电池荷电状态的估计精度相较于GWO-LSTM网络以及GWO-TCN网络能更好拟合锂电池电压、电流与SOC之间的非线性映射关系,具有较好的模型准确性和泛化能力。

基于改进GWO-GM(1,1)模型的直流充电桩在线计量误差预测方法研究

针对传统灰色理论预测精度不高和基本的灰狼算法容易陷入局部最优的情况,提出改进的灰狼算法与灰色理论融合的直流充电桩在线计量误差预测模型。首先,通过差分变异策略进行向量合成,引入非线性变异概率k,增强前期全局搜索能力,平衡灰狼算法的全局和局部搜索能力,避免陷入局部最优的问题;然后,将改进的算法应用于GM(1,1)模型,通过多次迭代寻找适应度值最好的一组灰狼位置,寻找到最优背景值对灰色模型进行优化,进一步提高模型的预测精度;最后,将改进前与改进后的验证模型进行对比,改进的灰色预测模型相较于基础的灰色模型均方误差与平均绝对误差分别降低了70.7%和27.2%,验证了所提方法的有效性。

基于影响因子筛选和GWO-KELM的大坝变形预测模型

为构建高精度大坝变形预测模型,引入基于最大信息系数特征筛选方法(MIC-CFS)对大坝变形影响因子进行筛选,减少冗余信息,降低模型复杂度。同时运用灰狼优化算法(GWO)对核极限学习机(KELM)的正则化系数和核参数进行寻优,提高模型预测精度,建立基于MIC-CFS-GWO-KELM的大坝变形预测模型。以某混凝土双曲拱坝实测资料对模型进行测试,结果表明,所建模型在均方根误差、平均绝对百分比误差和拟合优度上均优于GWO-KELM、MIC-CFSKELM、PCA-GWO-KLEM、MIC-CFS-BP模型,预测精度较高,能够为大坝变形安全分析提供参考。

基于GWO-CNN的刮板输送机减速器故障诊断

刮板输送机减速器故障诊断对于井下正常有序生产至关重要。首先基于振动分析、温度检测与油液分析建立刮板输送机减速器故障诊断指标体系;然后运用深度学习中的卷积神经网络(CNN)搭建模型框架,结合灰狼优化(GWO)算法优化模型超参数,建立基于GWO-CNN的刮板输送机减速器故障诊断模型;最后建立BP、GWO-BP、支持向量机(SVM)、GWO-SVM、CNN模型进行对比验证,GWO-CNN模型预测结果的准确率最高,能够有效地挖掘数据中的关联特征,并具备强大的泛化能力,能够有效减少刮板输送机事故的发生并保障矿工的安全。

融合InSAR与GWO-LSTM对高陡山地的形变监测与预测——以金沙江流域某边坡为例

由于乌东德水电站下游处于金沙江流域,水电站泄洪会导致下游区域水位发生变化和断裂带附近的地质活动频繁,从而改变流域周围边坡的稳定性,因此极易发生滑坡灾害并造成堵江。为了解高陡山地的边坡情况,本文首先利用2021年1月—2023年10月的81景Sentinel-A影像,采用SBAS-InSAR技术,得到研究区地表形变特征,并结合形变速率图和遥感影像,识别出可能存在的滑坡风险区域;然后选取A1、A2、A4作为典型区域,通过累计时序形变进行分析,并构建LSTM神经网络沉降预测模型,采用GWO算法进行超参数寻优;最后将选点得到的沉降数据分为训练集和测试集,与传统预测模型SVR精度进行对比。结果表明,GWO-LSTM模型对复杂山区的滑坡体形变预测具有较高精度,9个测试点中最大平均绝对误差为1.0808 mm,最大均方根误差为1.1942 mm。本文为滑坡灾害预警及治理提供了理论依据。

基于GM-GWO-SVR模型的斜坡形变预测

选取湖北省秭归县屈家坪斜坡作为研究区,使用56期Sentinel-1数据,采用SBAS-InSAR技术提取斜坡形变信息,分析发现斜坡呈现三处明显负形变,与降雨集中时段相吻合.在此基础上,建立了非等距GM(1,2)、GM-SVR、GM-GWO-SVR预测模型,并对研究区进行形变预测,预测结果经MAE、RMSE、MAPE和SSE四个指标评估,结果表明GM-GWO-SVR模型的预测效果最佳.

基于GWO-Prophet的商品销售预测研究

零售企业的各项经营活动都离不开商品的销售情况,对商品的销售预测为企业制定生产计划与经营决策等活动提供重要的依据。针对企业销售额预测中销售额时间序列受外界条件影响大,预测精度低等问题,论文提出了一种基于GWO-Prophet的商品销售预测方法。基于某零售企业2015年-2018年销售额数据,通过Prophet模型将高维的销售额数据分别构建对应趋势项、季节项、节假日项、残差项的低维时序特征分量,分别用这些低维特征分量进行拟合后通过加法模型累加来预测未来一年的销售额数据;通过灰狼寻优算法(GWO)对Prophet模型参数进行智能寻优,防止模型陷入局部最优从而提高模型的精确度,通过灰狼寻优算法优化后的Prophet模型能更好地拟合突变点,季节项,节假日项等外界因素对销售额的影响。以MAE、MAPE和RMSE作为模型评估的指标,结果表明,基于GWO-Prophet模型的预测精度不仅优于单一的Prophet模型,还优于其他如ARIMA、SARIMA、LSTM对比模型。

基于健康特征筛选与GWO-LSSVM的锂电池健康状态预测

锂电池健康状态(SOH)预测是电池管理系统(BMS)最重要的功能之一,准确有效地预测锂电池SOH可有效提升设备利用率,保证系统稳定性。为了提高预测准确度,本文提出一种基于健康特征筛选与灰狼优化算法(GWO)-最小二乘支持向量机(LSSVM)的锂电池SOH预测方法,首先采用灰色关联分析(GRA)法计算每个健康特征相对于锂电池SOH的灰色关联度,并将灰色关联度进行排序,确定SOH预测的主要健康特征;然后针对LSSVM模型参数需靠人为经验选择的问题,采用寻优性能较好的灰狼优化算法对其进行优化选择并构建GWO-LSSVM模型;最后基于NASA数据集,对模型进行训练和测试,并与其他3种模型的预测结果进行对比,对比结果证明了本文所提方法的有效性。

基于GWO-SA-LSTM模型的调制识别算法

针对传统自动调制识别方法对现代信号识别准确率较低的问题,该文提出了GWO-SA-LSTM模型,该模型通过自注意力机制增强长短期记忆网络(LSTM)关键特征捕获能力,并利用灰狼算法(GWO)优化超参数。在真实环境的调制识别数据集上的实验表明,该文模型在10 dB信噪比下达到了97%的最高准确率,整体表现优于单纯LSTM模型。

基于GWO-LSTM的智能财务审计模型设计与应用

由于目前审计过程复杂繁琐,审计智能化发展已成为大势所趋,为提高审计质量,文中在大数据背景下,为预测财务报表建立了基于审计意见的智能财务审计模型,为此提出了一种基于灰狼算法(GWO)和长短期记忆网络(LSTM)融合的审计意见预测模型。利用财务指标体系构建财务参数描述的有效审计意见,采用灰狼优化算法(GWO)结合自适应学习机制对LSTM模型的关键超参数进行优化搜索,通过这种方式对模型进行训练,从而得到训练好的预测模型。这一模型能够科学地预测未来的审计意见,从而提升审计数据分析的效率。