基于PCA-IBAS-ELM的海底多相流管道内腐蚀速率预测

海底多相流管道运输介质中油、气、水共存,极易发生化学反应引发一系列腐蚀问题。为预测其腐蚀速率,对管内腐蚀机理及影响因素进行分析,提出基于主成分分析法(principal component analysis, PCA)和改进甲虫天牛须算法(improve beetle antennae search, IBAS)的极限学习机(extreme learning machine, ELM)预测模型。PCA筛选腐蚀因素,降低预测模型的输入指标维数,IBAS优化ELM的关键性能指标——输入权值及隐层阈值,提升预测精度。为检验模型效能,以中国海南东部某海底油气管道50组数据为例进行研究,并与其他两种模型对比分析。结果表明:温度、pH、流体流速和CO_(2)分压是影响该类型管道腐蚀的关键因素,PCA-IBAS-ELM预测结果与实际值拟合度更高,其均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute deviation, MAE)和平均绝对百分误差(mean absolute percentage error, MAPE)均小于比较模型。可见构建模型对于海底多相流管道内腐蚀速率预测具有优越性。

基于IBAS-BP算法的热电厂负荷预测及工程应用

针对热电厂负荷随机性强、预测精度差、计算时间长等问题,提出一种结合改进天牛须搜索算法IBAS和BP神经网络的组合预测方法;模型以热电厂的历史有功负荷、季节、日期类型和气象数据为输入因子,通过引入精英策略,将单个天牛寻优扩充为群体寻优,同时改进天牛搜索步长,使BP参数在IBAS搜索范围内有效寻优,从而优化BP神经网络的权值,增强其搜索和寻优能力,提高预测网络的性能和精度;采用4个标准测试函数,将改进模型与标准天牛须算法对比;引入均方根误差RMSE、平均绝对百分比误差MAPE精度评价指标对PSO-BP网络、BAS-BP模型、IBAS-BP模型预测结果进行评估;实验结果表明,与其他模型的算例结果相比,IBAS-BP模型具有更好的预测性能;将热电厂负荷预测的结果,作为其厂级负荷优化分配系统(厂级AGC)的输入,通过负荷优化分配系统,得出单台机组未来负荷的预测值,最大限度地降低供电煤耗量,提高热电厂机组运行的经济性。

基于LASS0-MBAS-ELM的海底多相流管道CO_(2)内腐蚀速率预测

针对海底多相流管道CO_(2)内腐蚀发生频繁,检测难度大的问题,建立基于套索回归(LASSO)和多种群甲虫天牛须优化算法(MBAS)的极限学习机(ELM)预测模型,以提高预测效率及预测精度。以LASSO回归筛选腐蚀影响因素,提取关键指标,降低预测输入维度;采用MBAS对ELM的输入权值及隐层阈值进行修正,避免因随机设置造成的不稳定性。以我国海南东部某海底油气管道的50组数据为例,通过MATLAB模拟仿真,分析预测结果,并与其他两种模型对比。结果表明:温度、pH值、流体流速和CO_(2)分压是影响该类型管道腐蚀的关键因素。LASSO-MBAS-ELM模型的预测结果与实际值拟合度更高,其均方根误差、平均绝对误差及平均绝对百分误差分别为0.089%、0.079%和3.068%,均优于对比模型。所提出的方法在数据有限的情况下,仍具有良好的可靠性和稳定性,为准确掌握海底管道腐蚀状况提供了新的思路;同时为海洋油气运输系统日常运行维护提供了参考依据。

基于天牛须搜索算法的短期风电功率组合预测

为了提高风电功率预测精度,提出了一种完全集成经验模态分解(complete ensemble empirical mode decomposition adaptive noise,CEEMDAN)、极限学习机(extreme learning machine,ELM)和改进天牛须搜索算法(improved beetle antennae search algorithm,IBAS)的组合预测模型来预测风电功率。引入动态惯性权重改进天牛的位置更新方式,提高天牛须搜索算法的寻优能力。在预测过程中,首先通过CEEMDAN对原始风电功率数据进行预处理,将非平稳信号分解为一组按照频率和振幅大小排列的序列分量,减少数据波动带来的预测误差。然后利用IBAS优化ELM构建预测模型,分别预测每个序列分量,最后叠加每个序列分量的预测值得到最终预测值。仿真结果表明,与其他预测模型相比,本预测模型预测精度最高,评价指标平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)均为最小,具有广阔的实际应用前景。

改进的神经网络PID在空调温度控制中的应用

为提高候机楼中央空调温度控制水平,针对候机楼中央空调系统具有时滞性、扰动因素较多等特点,提出了一种基于改进天牛须搜索(IBAS,improved beetle antennae search)算法的模糊径向基函数(RBF,radial basis function)神经网络(PID,proportion integration differentiation)控制方法,建立了空调区域温度控制模型,通过模糊RBF神经网络实现PID参数在线整定,解决系统非线性、时变的问题。同时由于神经网络参数存在难以选取问题,提出利用天牛须搜索(BAS,beetle antennae search)算法优化模糊RBF神经网络参数的方法,并引入莱维飞行机制和变步长策略对BAS算法进行改进,提高其跳出局部最优的能力和稳定性。仿真结果表明,采用IBAS算法优化的模糊RBF神经网络PID控制方法有效提高了系统的鲁棒性和自适应能力,对候机楼中央空调系统具有良好的控制效果。