基于改进EMD和GA-BPNN的机器人磨削颤振监测

由于工业机器人的灵活性,被广泛应用于机器人焊缝磨削任务中。但由于机器人的弱刚性,在焊缝磨削过程中系统容易发生颤振,因此对加工过程中的颤振监测是保证加工质量的基础。针对在加工振动信号处理过程中的模态混叠现象,提出了一种基于排列熵算法改进的经验模态分解方法,通过排列熵算法检测振动信号中的异常信号并剔除。通过相关系数法提取相关性最大的固有模态函数的能量熵作为特征值,同时提取方差、峰峰值、均方根和峭度4种时域特征。利用遗传算法优化BP神经网络(back propagation neural network,BPNN)建立颤振辨识模型,最后将提取的5种特征参数作为特征向量代入辨识模型中对加工状态进行监测。试验结果显示,提出的改进经验模态分解算法结合遗传算法优化的BPNN模型能够有效地对机器人焊缝磨削中的颤振进行监测。

基于EMD与机器学习算法的近零能耗建筑负荷预测方法

采用皮尔逊相关系数法分析了不同特征变量与冷热负荷的相关性,确定了预测模型的输入特征变量。采用经验模态分解(EMD)对逐日冷热负荷按频分解,然后采用机器学习算法,即反向传播神经网络(BPNN)、随机森林(RF)和支持向量机(SVM),分别对不同频率的负荷量进行了训练、验证,最后重构得到了近零能耗建筑预测负荷。基于上述方法,以北京市某近零能耗居住建筑为研究对象,比较了不同算法预测结果的精确度。结果表明:采用EMD与RF算法相结合对近零能耗建筑冷热负荷的预测精确度较高。进一步采用穷举搜索法对模型初设参数进行了优化,冷热负荷预测结果精确度提高,冷负荷预测结果的决定系数R2、平均绝对百分比误差MAPE分别为0.996、1.32%,热负荷预测结果的R2、MAPE分别为0.997、0.79%。

基于CEEMDAN-PE和QGA-BP的短期风速预测

为了提高风电场短期风速预测的精度,提出了一种基于自适应噪声的完整集成经验模态分解(CEEMDAN)-排列熵(PE)和量子遗传算法(QGA)优化BP神经网络的短期风速预测模型。首先采用CEEMDAN对原始风速时间序列进行分解,降低不同特征尺度序列间的相互影响;其次,为了减少计算规模,对分解得到的各个分量序列分别计算排列熵,将熵值相近的分量进行叠加形成新的序列;最后,针对BP神经网络在初始化权值和阈值的选取上存在随机性的问题,采用QGA对BP参数进行优化,分别对每个新的序列进行预测并将预测结果进行叠加得到最终的预测值。实例仿真结果表明,该组合模型提高了预测的精度,减小了误差,具有实际意义和工程应用价值。

基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测

城市短期燃气负荷具有高随机性和复杂性特征,利用单一的模型难以做出准确预测。以某城市民用类燃气日负荷为研究对象,在分析该市两年多燃气日负荷特征的基础上,建立了基于BP神经网络(BPNN)-经验模态分解(EMD)-长短期记忆(LSTM)神经网络的组合预测模型,对该市短期燃气日负荷进行了预测。首先通过BPNN模型学习温度、日期属性影响下燃气负荷的主要特征,增长趋势等次要特征则体现在BPNN模型预测产生的残差中;然后采用EMD算法分解残差得到有限个本征模函数(IMF),并利用LSTM模型学习各IMF分量的短期时序规律,将各IMF分量的预测值相加得到残差预测值;最后将两部分预测值代数相加得到最终的预测结果。实证结果表明:与单一的LSTM模型和BPNN-LSTM模型相比,该组合预测模型半月步长的平均绝对误差为3.4%,预测精度更高,是一种更为有效的城市短期燃气负荷预测方法。

基于EMD与GA-BP神经网络的短期负荷预测

为了提高具有随机性和复杂性的电力负荷预测精度,提出了一种基于EMD与GA-BP神经网络的短期负荷预测。该方法利用EMD的优点,将原始电力负荷序列分解为若干个IMF分量和余项。针对BP神经网络训练时间长,且容易陷入局部最小的缺点,利用遗传算法优化了BP神经网络,替代了传统的BP算法。最后通过分析各个分量的自身特点,分别构建不同的BP神经网络模型,对各分量分别进行预测,相加各分量预测值,得到了最终预测结果。实例验证表明,与EMD-BP预测方法相比,该方法具有较高的负荷预测精度和较强的适应能力。

基于鹈鹕优化算法优化广义回归神经网络的电动汽车充电负荷短期预测

针对目前电动汽车充电负荷预测精度不足的问题,提出了一种结合互补集合经验模态分解和鹈鹕优化算法优化广义回归神经网络的组合预测方法。首先,利用互补集合经验模态分解将电动汽车充电负荷时间序列分解成多个固有模态函数分量和一个残差分量。其次,对于分解后的固有模态分量容易出现冗杂信息,利用样本熵对分解后数值相近的固有模态分量进行相加重构,降低冗杂程度。最后,考虑广义回归神经网络的预测效果与平滑因子的数值有很大关系,利用鹈鹕优化算法优化广义回归神经网络的平滑因子,进而对电动汽车充电负荷进行短期预测。仿真表明,所提出的预测方法可以有效地提高电动汽车充电负荷的预测精度,具有较高的实用性。

基于EMD和GA-BP神经网络的大坝变形预测

提出一种基于经验模态分解(EMD)和遗传BP神经网络的大坝变形预测新算法。该算法首先通过EMD对变形序列进行分解,有效分离出非线性高频波动分量和低频趋势分量;然后应用遗传算法优化BP神经网络的权值和阈值,再对各分量进行建模预测;最后叠加各分量预测值得到预测结果。应用新算法与灰色GM(1,1)、回归模型、普通卡尔滤波和遗传BP神经网络算法进行对比分析。结果表明,该算法具有较强的自身内部环境优化和外部平台构建能力,自适应能力和非线性拟合能力较强,在一定程度上保证较优的局部预测值和较好的全局预测精度,在大坝变形预测中具有一定的实用价值。

基于EEMD-BP神经网络的含电采暖的配电变压器短期负荷预测

为了快速准确地预测含高比例电采暖设备的配电变压器的短期负荷,提出了基于集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)及BP神经网络算法组合的含电采暖的配电变压器短期负荷预测方法,该方法考虑了采暖日天气类型、采暖日温度等环境条件对居民采暖行为的影响。首先运用EEMD方法将日负荷序列分解成4组频率由低至高的分量序列及1组剩余分量序列,再将各分量序列及温度数据、气象数据输入BP神经网络中进行预测,最后各个预测分量相加得到最终的预测结果。将该方法应用于北京地区冬季"煤改电"工程中,对某个含高比例电采暖负荷的配电变压器进行短期预测,算例表明,EEMD-BP组合预测方法能够有效减小负荷预测误差。

基于EEMD-GA-BP的组合客流预测算法研究

以高速铁路泰安站到达客流为研究对象,从客流数据的时频特性角度分析客流的特征,并结合经验模态分解法的时频分析优势以及遗传算法优化的神经网络的拟合能力,探索可行组合预测算法,以泰安站到达客流数据为例进行了实例分析,比较不同的IMF分量重构方法并确定了较优方案。

基于EMD-GWO-SVR组合模型的短期风速预测

风速预测对风电场进行调度与控制具有重大意义。针对风速序列的随机性与间歇性,文中提出了EMD-GWO-SVR组合预测模型。先对原始序列进行经验模态分解,并应用GWO算法对支持向量回归模型的参数进行寻优。随后将寻优得到的最佳参数代入支持向量回归模型,并对分解后的本征模函数及残差项分别进行预测,将得到的各预测结果相加从而对风速进行预测。以甘肃省酒泉市的历史气象数据为例,建立BP神经网络、SVR、PSO-SVR、GWO-SVR、EMD-PSO-SVR和EMD-GWO-SVR6种预测模型,对该地的风速进行预测。仿真结果表明,文中提出的EMD-GWO-SVR模型预测精度相比SVR提高了61.759 8%,且其MAE、MAPE和RMSE等误差指标评价值显著低于其它5种模型。

基于EMD与粗糙集及神经网络相结合的短期负荷预测

为了提高预测具有周期性和随机性的电力负荷精度,提出了一种基于经验模式分析(EMD)与粗糙集及神经网络相结合的短期负荷预测方法。该方法利用EMD的自适应性,自动地将目标负荷序列分解为若干个独立的内在模式分量。考虑影响电力负荷的气象因子和模式分量信息量较大,利用粗糙集进行了属性约简,约简后的各个分量采用相匹配BP神经网络模型分别进行预测,然后,相加各分量预测值得到最终预测结果。仿真试验表明,该方法与EMD-BP模型预测方法相比,具有较高的精度和较强的适应能力。

基于自忆性原理和EMD的中国清洁能源需求组合预测

以中国历年能源消费量为基础,分别建立灰色自忆性预测模型和数据机理自忆性预测模型;利用经验模态分解方法分析中国能源消费增长率在经济、人口、城市化下的变化情况,并建立基于经验模态分解的BP神经网络预测模型;通过遗传算法构建能源需求总量组合预测模型,求得中国清洁能源需求总量.研究结果表明:组合预测能够充分利用多个模型的丰富信息,提高预测的准确性;2020年中国清洁能源需求量将达到5.02×108～8.26×108 tce,应优先开发清洁能源.

基于VMD-SE和GAElman神经网络的短期负荷预测模型

针对电力负荷序列的非平稳性和非线性等特点,提出了一种基于变分模态分解技术VMD-样本熵SE和遗传算法GA优化的Elman神经网络短期负荷预测模型。为了降低原始序列的复杂度和不稳定性,首先利用VMD-SE将原始电力序列分解成多个子序列;然后根据各子序列的特点分别构造经GA遗传算法优化的Elman神经网络预测模型;最后将各个子序列的预测结果叠加得到最终结果,实现短期负荷预测。应用于实例,结果表明,该模型能有效提高预测精度。

基于经验模态分解改进神经网络光伏出力预测

光伏发电存在光伏出力不稳定性与波动性等问题。本文提出一种基于经验模态分解(EMD)的遗传算法(GA)优化BP神经网络的短期发电功率预测模型,优化了BP神经网络迭代次数多、收敛时间长等缺陷。从某小型光伏电站获得发电数据,建立EMD-GA-BP预测模型,与单一的BP神经网络预测模型和GA-BP神经网络预测模型作对比,证实本文提出预测模型稳定性好且误差较小,具有一定的研究价值。

基于QGA-Elman模型的新能源汽车充电站负荷预测

现代社会新能源汽车的利用率越来越高,很多城市都开始推广新能源汽车,政府也开始重视新能源汽车的发展。对于整个配电网来说,对短期新能源汽车充电站的负荷的预测是很有必要的。文中提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)与量子遗传算法(QGA)-Elman组合的模型对相似日新能源汽车充电站进行负荷预测。利用新能源汽车充电站所给的相似日的历史数据作为输入参数训练所建立的模型来预测次日的发电量。该组合模型在减小预测误差方面有所改进,研究的问题有一定应用价值。

优化短期余水位组合预测模型

针对现有非稳定非线性余水位预测模型较少和精度较低的问题,本文研究基于MEEMD算法与遗传优化BP神经网络的余水位组合预测模型。利用夏威夷岛4个长期验潮站获取的余水位时序数据,首先采用遗传算法MEEMD对余水位时序数据进行处理分析,得到较为稳定的余水位IMF分量;然后将经过遗传算法优化后分解的较为稳定的各个IMF分量作为BP神经网络预测模型的输入变量,分别建立12、24、48 h短期余水位的MEEMD遗传算法优化BP神经网络预测模型。通过与非优化BP神经网络预测模型结果进行对比分析,结果表明,优化前后均方根误差的偏差最高达2.03 cm,验证了预测24 h内的短期余水位仍保持其相关特性。该组合预测模型对于分析余水位变化规律和潮汐预报的精度、水位改正等均有重要意义。

基于EEMD-SE和GARBF的短期电力负荷预测

为了提高短期电力负荷的预测精度,提出了集合经验模态分解(EEMD)-样本熵(SE)和遗传算法(GA)来优化RBF神经网络的组合方法。利用EEMD分解法自适应地对负荷序列进行分解,结合样本熵对复杂度相似的子序列进行合并,有效减小了运算规模。基于各个子序列复杂度的差异构建相应的RBF神经网络模型,利用遗传算法避免神经网络陷入局部最优和收敛性问题,进而对合并的新子序列进行预测并叠加得到最终预测结果。仿真结果表明,该预测算法具有良好的预测效果,满足短期电力负荷预测的要求。

基于MLR和LSTM神经网络的短期负荷预测方法

由于短期负荷非静止和强随机特征,难以准确预测负荷行为。为此,提出了改进的短期负荷预测方法。应用集合经验模态分解算法,依据频率从低到高将负荷分组;通过MLR预测平滑、周期的低频部分,保持高效的计算能力,而对具有强随机性的高频部分,则通过LSTM进行预测,即采用结合MLR和LSTM这两种方法获得实际预测负荷。最后,通过实验计算来自中国西部的测试数据,验证该方法的有效性。

基于EEMD的LS-SVM和BP神经网络混合短期负荷预测

提出了基于总体平均经验模态分解(EEMD)、最小二乘支持向量机(LSSVM)和BP神经网络的实用综合短期负荷预测方法,进行电力系统短期负荷预测.首先运用EEMD方法将非平稳的负荷序列分解,然后根据分解后各分量的特点选用最佳的核函数,利用最小二乘支持向量机分别对各分量进行预测,最后对各分量预测结果采用BP神经网络重构得到最终的预测结果.对实测数据的分析表明基于该综合方法的电力系统短期负荷预测具有较高的精度.