基于变量优化和IWOA-LSTM的锅炉系统水冷壁温度预测

为进一步提高锅炉系统水冷壁温度的预测精度,提出一种基于变量优化和改进鲸鱼算法优化长短期记忆神经网络的水冷壁温度预测模型。首先,通过互信息算法(MI)进行变量选择,消除初始数据中的冗余变量;其次,使用经验模态分解算法(EMD)对变量选择后的数据进行特征分解,在提取变量有效特征信息的同时降低噪音干扰;最后,使用由非线性递减因子和自适应权值改进后的鲸鱼优化算法(Improved Whale Optimization Algorithm, IWOA)确定长短期记忆神经网络(LSTM)的超参数,得到一种新型锅炉系统水冷壁温度预测模型(MI-EMD-IWOA-LSTM)。实验结果表明,相比传统的最小二乘支持向量机(LSSVM)预测模型,MI-EMD-IWOA-LSTM模型的均方根误差(RMSE=0.306 8)和平均绝对百分比误差(MAPE=0.054 6)最低,能够实现对锅炉系统水冷壁工质温度的精准预测。

基于IWOA-双向LSTM的绞车滚筒可靠性分析

绞车滚筒作为钻机的重要组成部分,在运行中应保持良好的性能稳定性,对其进行可靠性分析十分必要。为此,采用哈默斯雷采样方法,对传统7000 m绞车滚筒的设计变量在Isight平台通过SolidWorks、ANSYS、MATLAB联合进行灵敏度分析,利用蒙特卡洛模拟法对输入变量进行抽样,搭建IWOA-双向LSTM模型对绞车滚筒可靠性进行预测。研究结果表明:IWOA-双向LSTM可靠性预测模型预测精度远远超过了传统的可靠性预测模型,其结合蒙特卡洛模拟法可对绞车滚筒的关键参数如耐久应力和疲劳寿命等进行估计,以此得到绞车滚筒理论的工作应力区间及其使用寿命,从而为绞车滚筒的运维及安全稳定运行提供有力保障。研究结论可为钻采设备的可靠性分析提供一种新方案。

改进WOA优化LSTM神经网络的短时交通流预测

针对城市交通中交叉路口短时交通流预测问题,本文提出了一种IWOA-LSTM模型,该模型是在传统的WOA算法基础上,对初始种群进行tent混沌初始化,同时将线性递减的收敛因子改进为非线性的方式,再将改进后的IWOA算法与LSTM神经网络模型结合,所得到的IWOA-LSTM模型提高了对交通流预测的精度.本文选取了8个基准测试函数对IWOA算法进行性能测试和仿真实验,验证了改进的IWOA算法在收敛速度以及精度上的优势.最后将IWOALSTM模型的预测结果和PSO-LSTM模型的预测结果分别与实际交通流量进行对比,得出IWOA-LSTM算法误差更小的结论.

基于EEMDSE-ILSTM的风电场超短期风速预测

不可再生资源的枯竭推动着新能源的发展,风电作为目前风能利用的主要形式得到了大面积推广。但风速非线性、非平稳性、时序性的特点对风机本身和电力系统都会产生不利的影响,因此精准的风速预测已经成为亟待解决的关键课题。基于组合预测方法,提出了一种EEMDSE-ILSTM风速预测模型。该模型利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将风速数据分解为若干个分量数据集,并通过样本熵对各分量进行筛选以简化数据。将改进的鲸鱼算法与长短期记忆网络(Long Short-Term Memory,LSTM)结合,无监督生成合适的模型预测参数。在预测时依次对每个分量数据预测并将结果累加获得最终预测值。仿真结果表明,该模型与其他方法比较,显示出较好的预测精度和泛化性能。