基于VMD-LSTM-IPSO-GRU的电力负荷预测

为了挖掘电力负荷数据中的潜藏信息,提高短期负荷预测的精度,针对电力负荷强非线性、非平稳性等特点,提出一种基于变分模态分解(variational mode decomposition,VMD)、长短时记忆神经网络(long-term and short-term memory network,LSTM)、改进的粒子群算法(improve particle swarm optimization,IPSO)和门控循环单元(gated recurrent unit neural network,GRU)的混合预测模型。首先,使用相关性分析确定输入因素,再将负荷数据运用VMD算法结合样本熵分解为一系列本征模态分量(intrinsic mode fuction,IMF)和残差量,进而合理地确定分解层数和惩罚因子;其次,根据过零率将这些量划分为低频和高频,低频分量使用LSTM网络,高频分量利用IPSO-GRU网络分别进行预测;最后,将预测结果重构得到电力负荷的最终结果。仿真结果表明:相对于其他模型,所提混合模型可有效的提取模态特征,具有更高的预测精度。

基于改进粒子群优化的K-means聚类的焊接缺陷图像识别

针对传统检测方法对焊接缺陷图像识别的缺点,提出基于改进粒子群算法优化的K-means聚类的焊接缺陷图像识别方法。运用HOG算法提取焊接缺陷图像的特征,利用IPSO算法对K-means聚类模型的聚类点数K进行参数寻优,从而实现对焊接缺陷的检测识别,实验验证表明,该方法能够有效提高焊接缺陷图像的识别效果,总体识别准确度达到94%。

基于IPSO-BP神经网络模型的山东省碳排放预测及生态经济分析

在低碳经济发展背景下,针对山东省碳排放数据更新迟缓、以往预测模型难以满足现实需求的问题,统计相关数据,根据政府间气候变化专门委员会(IPCC)推荐方法测算山东省2000—2017年碳排放量和排放强度,并借助脱钩分析、碳承载力和碳赤字探究碳排放的动态变化趋势;基于5项最重要的碳排放影响因素,建立改进的粒子群算法(IPSO)优化BP神经网络模型,对山东省的碳排放量和排放强度进行仿真预测。结果表明:山东省工业耗能占总量的78.5%左右。2000—2017年间山东省碳排放量呈增长趋势,年平均为52328.10万吨;碳排放强度却呈下降趋势,年平均为1.73万吨/亿元。总体而言,2000—2017年间山东省碳排放量与GDP之间呈弱脱钩的态势,碳承载力呈先增长后减小的趋势,18年间碳承载力减少了8%,全省从2005年开始出现碳赤字,并呈现增大趋势。IPSO算法明显优化了BP神经网络,误差更小、精度更高,更适于碳排放量及相关指标的预测。预测结果显示山东省未来碳排放量呈缓慢增长趋势,而碳排放强度有所降低,以期为政府决策提供科学依据。

IPSO-BP算法在半主动悬架控制中的应用

为了改善半主动悬架的性能,提出采用改进的粒子群优化(improved particle swarm optimization,IPSO)-向后传播(back propagation,BP)算法作为半主动悬架自适应控制,该算法将标准粒子群算法进行改进,用以改善粒子群全局收敛性和收敛速度,并将改进后的IPSO算法作为BP神经网络的学习算法,用于半主动悬架的自适应控制.自适应控制器采用了双神经网络单元结构,一个作为输入端的控制器,根据路面输入调节半主动悬架阻尼值,另一个作为半主动悬架的辨识器,并进行在线识别.通过该控制器进行半主动悬架自适应控制数值仿真,结果表明,基于该算法的控制器明显改善了汽车的舒适性和平顺性,使得车身的垂向加速度比粒子群优化(particle swarm optimization,PSO)-BP半主动悬架的降低了21.73%,提高了汽车悬架的性能.

液压拉床双缸IPSO-PID伺服同步驱动控制研究

针对单缸驱动液压拉床存在刀架溜板同步性能较低的问题,设计了双缸电液伺服同步驱动系统,在分析刀架溜板拉削运动特性的基础上建立了系统的非线性模型;根据系统跟踪性能和同步性能指标要求,引入改进型粒子群优化算法(IPSO),提出了类似经典PID控制器结构的IPSO-PID伺服同步控制策略。在液压拉床上的实际应用结果表明,该控制策略比常规PID同步控制策略具有更好的跟踪性能和同步驱动性能,可以较好地解决双缸液压拉床的同步驱动问题。

基于IPSO-SVM的地铁车辆牵引控制单元故障诊断

地铁车辆牵引控制单元(TCU)是地铁系统的核心单元之一,准确诊断其故障状态对整个地铁车辆安全运行至关重要.基于数据的故障诊断方法是当前热点方法之一.针对牵引控制单元故障诊断中检测参数多、故障类别多的特点,提出了改进的粒子群优化支持向量机(IPSO-SVM)方法,克服了传统方法存在过拟合、收敛速度慢、易陷入局部最优的缺点.使用UCI机器学习数据库中的5个数据集进行仿真实验,结果表明:IPSO-SVM分类精度高于ICPSO-SVM、PSO-SVM、GA-SVM.进一步将此方法应用于地铁车辆实际数据,同样得到了较好的分类结果,验证了所提方法的有效性.

基于IPSO算法的特征选择与目标识别

为了提高相似目标的分类识别率,实现降维,提出了一种基于改进的粒子群优化(IPSO)的特征选择与目标识别方法。IPSO利用二进制位串来计算位置和速度,并在速度更新公式中增加约束项,权衡识别率与特征维数的比重选择适应度函数。结合距离分类器,用IPSO在自建的相似目标特征库上进行最优特征子集选择及分类实验。实验结果表明了该算法的有效性,在UCI数据集上的对比实验结果表明了IPSO的改进效果。

农村突发公共卫生事件应急医疗设施选址研究

为提高农村突发公共卫生事件应急医疗设施选址决策的科学性,基于新冠肺炎(COVID-19)疫情传播迅速,危害性强的突发公共卫生事件特征,依据应急医疗设施设计标准并兼顾农村医疗预算少、应急道路崎岖的特点,首先,选取设施备选地工程地质条件、单位成本、传染率、抵达时间、场所规模以及服务覆盖区域6项影响因素,将熵值法(EVM)和层次分析法(AHP)有效结合确定影响因素权重;其次,建立考虑患者到应急医疗设施的距离之和最小以及所选择应急医疗设施的综合评价值最优的多目标选址模型;然后,设计改进的粒子群优化(IPSO)算法求解模型,得到选址决策;最后,选取天门市部分村庄进行实证分析,以验证模型算法的有效性。结果表明:传染率和单位成本是建设应急医疗设施主要影响因素,IPSO算法选取3个应急医疗设施,能够满足8个村庄患者的治疗需求,并保证患者在4~7 min内就医,为高效开展疫情防控活动提供保障。