基于3种新型群体智能算法优化正则化极限学习机的三峡水库入库日径流预测

准确预测的入库日径流在水库优化调度中发挥着重要作用。为提高预测精度,提出一种基于小波包变换(WPT)和蜣螂优化(DBO)算法、珍鲹优化(GTO)算法、泥环算法(MRA)优化正则化极限学习机(RELM)的预测模型,并将其应用于三峡水库入库日径流预测研究。首先,利用WPT将三峡水库入库日径流时间序列分解为1个周期项分量和1个波动项分量;其次,利用DBO、GTO、MRA分别优化RELM输入层权值和隐含层偏差,建立WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型;最后,利用所建立的3种模型分别对入库日径流周期项分量和波动项分量进行预测和重构,并构建基于极限学习机(ELM)的WPT-DBO-ELM、WPT-GTO-ELM、WPT-MRA-ELM模型、基于BP神经网络的WPT-DBO-BP、WPT-GTO-BP、WPT-MRA-BP模型、未经优化的WPT-RELM、WPT-ELM、WPT-BP模型和未经分解的DBO-RELM、GTO-RELM、MRA-RELM模型作对比分析模型。结果表明:①WPT-DBO-RELM、WPT-GTO-RELM、WPT-MRA-RELM模型对三峡水库入库日径流预测的平均绝对百分比误差MAPE分别为0.512%、0.519%、0.762%,平均绝对误差MAE分别为54.05、55.97、86.76 m^(3)/s,均方根误差RMSE分别为84.99、84.81、128.18 m^(3)/s,决定系数DC≥0.9994,希尔不等系数TIC≤0.00517,预测效果优于其他12种模型,具有更高的预测精度和更好的泛化能力。②DBO、GTO、MRA能有效优化RELM网络参数,显著提高RELM预测性能。③引入正则化项的RELM可有效防止预测模型过拟合,提高模型的泛化能力,预测性能优于ELM、BP网络。④所构建的3种模型预测精度高、计算规模小,是一种有效的入库日径流时间序列预测模型。

基于改进TCN模型的变压器故障诊断方法研究

针对传统机器学习的变压器诊断方法受限于精度较低、信息数据来源单一和故障样本稀缺等问题,提出一种多源异构数据融合技术和泥环优化算法(MRA)优化时间卷积网络(TCN)的变压器故障诊断模型。通过选择油色谱分析数据、红外高压套管检测图谱、超声波放电检测图谱以及局部放电特高频检测图谱作为变压器故障诊断模型的输入信息,采用Informer网络和残差网络(ResNet)对不同类型的数据分别进行特征提取与学习,同时对多类型数据的特征进行融合,结合MRA算法对TCN网络参数进行优化,综合结果进行故障诊断分类。试验结果表明,本文方法纳什效率系数为0.82且准确率达到了94.83%,收敛速度更快,由此证明本文所提方法可以有效提高变压器故障诊断性能。