基于K-GRU神经网络的采煤机记忆截割及优化

目的针对采煤机记忆截割不准确、自动化程度不高的问题,方法本文提出一种基于KGRU神经网络的采煤机记忆截割算法,此算法具有更适合处理长时序数据的特点,将算法与采煤机记忆截割结合起来,可以减少采煤过程中滚筒的损坏同时保护工人生命安全。该算法在深层门控循环单元(GRU)的输入端引入比例因子K,用比例因子K表现不同时刻数据的重要程度,以加强模型对长时序数据的记忆性,进而提高记忆截割精度。在模型训练阶段利用随机搜索算法(RS)对深层K-GRU神经网络的超参数选择进行优化,加快模型训练速度。结果实验中使用Python完成K-GRU模型构建与超参数优化,使用随机搜索算法可以在更短时间内得到超参数最优解,得到超参数epochs为317、batch_size为70的最优解共花费154 s,在最优解情况下计算模型对真实采煤数据预测的误差,得到K-GRU的loss值为0.0467、R2为0.9578、EVS为0.9656、ME为0.0833。结论最终表明,优化后的深层K-GRU模型在解释方差得分、最大误差和可决系数方面均优于SVM、KNN、LSTM、RNN和普通GRU模型,显著提高了采煤机记忆截割的适用性和准确性。

基于ICEEMDAN和时变权重集成预测模型的变压器油中溶解气体含量预测

为了实现对变压器油中溶解气体体积分数的精确预测,同时克服仅使用单一预测模型导致预测精度及泛化能力不足的局限,提出了一种基于改进完全自适应噪声集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)和灰色关联系数时变权重集成预测模型的变压器油中溶解气体预测方法。首先将溶解气体含量序列模态分解为一系列具有不同时间尺度的子序列。然后,使用门控循环神经网络和麻雀搜索算法优化支持向量机对各子序列进行训练,组合为一个集成预测模型;并比较不同预测方法的预测精度,计算灰色关联系数时变权重,形成各子系列的预测结果。最后将各子序列的预测结果叠加重构,得到最终预测结果。算例分析结果显示:该方法单步预测的均方根误差、平均绝对误差和相关系数分别为0.593、0.422和0.768,相比其他算法在预测精度上有明显提升,同时具有很强的泛化性能,可以为油浸式变压器内部状态监测提供依据。

基于特征选择及ISSA-CNN-BiGRU的短期风功率预测

针对风电功率随机性大、平稳性低,以及直接输入预测模型往往难以取得较高精度等问题,提出了一种基于特征选择及改进麻雀搜索算法(ISSA)优化卷积神经网络-双向门控循环单元(CNN-BiGRU)的短期风电功率预测方法。首先,利用变分模态分解(VMD)将原始功率分解为一组包含不同信息的子分量,以降低原始功率序列的非平稳性,提升可预测性,同时通过观察中心频率方式确定模态分解数。其次,对每一分量采用随机森林(RF)特征重要度的方法进行特征选择,从风速、风向、温度、空气密度等气象特征因素中,选取对各个分量预测贡献度较高的影响因素组成输入特征向量。然后,建立各分量的CNN-BiGRU预测模型,针对神经网络算法参数难调、手动配置参数随机性大的问题,利用ISSA对模型超参数寻优,自适应搜寻最优参数组合。最后,叠加各分量的预测值,得到最终的预测结果。以中国内蒙古某风电场实际数据进行仿真实验,与多种单一及组合预测方法进行对比,结果表明,本文所提方法相比于其他方法具有更高的预测精度,其平均绝对百分比误差值达到2.644 0%;在其他4个数据集上进行的模型准确性及泛化性验证结果显示,模型平均绝对百分比误差值分别为4.385 3%、3.174 9%、1.576 1%和1.358 8%,均保持在5.000 0%以内,证明本文所提方法具有较好的预测精度及泛化能力。

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.

基于小波包变换与深度学习的超短期光伏功率预测

针对光伏功率序列的复杂多变特征,提出一种基于小波包变换(WPT)的门控循环单元(GRU)光伏功率组合预测方法。首先通过相关性分析挑选重要气象因子,并利用WPT将原始光伏功率序列分解为一组子序列;然后,提出一种基于莱维飞行天牛须搜索算法(LFBAS)的相似日选择方法,以选择相似于预测日的历史日作为输入数据集;最后,建立一组基于GRU网络的深度学习光伏功率预测模型,将每个子序列预测结果叠加得到光伏功率最终预测结果。仿真结果表明,该文所提出的预测方法在预测精度和计算效率方面具有显著优势。

基于定向协调策略改进换热单元优化的换热网络综合

针对强制进化随机游走算法优化换热网络时,换热单元过早消去和新生成换热单元难以存活,导致结构固化的问题,本文提出以换热单元数和年综合费用为双重评价指标的定向协调策略。首先,通过智能摄取换热单元数确定目标单元数域和平行种群数量;其次,将不同的目标单元数分配给平行种群;最后,以实际单元数与目标单元数的离散程度为评判标准,设计动态优化路径。该方法旨在避免优化算法在优化过程中因换热单元数限制而陷入局部极值陷阱,使每个平行种群内的个体可以充分搜索和优化目标单元数下的换热网络结构,从而同时兼顾算法的局部搜索能力与全局搜索能力。采用15SP算例和20SP算例进行验证,分别得到1496744USD/a和1396596USD/a的结果,均优于文献所得结果,证明了方法的有效性。

基于SSA-GRU大功率多状态PEMFC寿命预测

提出了一种用于最大额定功率为110 kW的质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)剩余使用寿命的麻雀搜索算法优化门控循环单元的方法,进行了超过600 h的动态循环耐久试验,以模拟不同路况下车载PEMFC的工作情况。为准确预测大功率PEMFC的剩余使用寿命,需考虑其在不同工作状态下输出电压,将输出电压根据不同功率点进行分类预测。将采样数组经过滤波处理,减少峰值,平滑降噪,然后基于数据驱动的方法以各工作状态下电压数据以及不同的训练集划分作为输入,并预测结果通过选取的评价指标与不同的常见时序回归算法证实此模型的准确性。以数据的60%作为训练集为例,麻雀搜索优化门控循环单元(sparrow search algorithm-gate recurrent unit, SSA-GRU)的预测结果对比时间卷积网络(temporal convolutional network, TCN)其平均绝对百分比误差(mean absolute percentage error, MAPE)在30、50、70、90、110 kW分别降低了0.110 5%、0.525 7%、0.308 4%、0.402 1%和0.831 9%。在规定的寿命截止时间点下,使用寿命预测误差最小仅为0.733%,且不同工作状态下的预测误差都优于其他预测算法。

基于改进BiGRU的刀具磨损预测

针对双向门控循环神经网络(bidirectional gated recurrent unit,BiGRU)超参数难以确定以及对重要特征捕捉能力较弱的问题,提出了一种改进模型用于刀具磨损预测。模型采用经过下采样的多通道传感器数据作为输入,使用随机搜索算法自适应的确定深度学习模型的最优超参数组合,并引入注意力机制与指数搜索算法增强对全局特征与局部趋势的捕捉能力。模型在PHM2010数据集上进行了实验验证,结果表明,该方法可快速确定超参数组合,并获得更稳定的预测值,具有更好的综合性能。

基于电力计量大数据的区域性短期负荷预测算法设计

针对单一算法在对电力负荷进行预测时存在的局限性,同时为了提高短期负荷的预测精度,文中提出了一种基于CEEMDAN分解的门控循环单元和小波神经网络相结合的短期负荷预测算法,并构建了SSA-GRU&WNN预测模型。该模型采用CEEMDAN算法分解负荷数据,以降低数据的波动性与不确定性,利用样本熵算法对分解得到的分量进行评估及分组。同时分别利用GRU和WNN对两组分量加以预测,且引入麻雀搜索算法实现对二者超参数的优化。实验结果表明,所提算法的MAE、RMSE和MAPE分别为66.54 MW、58.62 MW及67.8%,相比传统单一负荷预测算法的误差更小、时间成本也更低。

基于IMGRU-Seq2seq的自动问答方法研究

针对传统问答模型采用循环神经网络带来的梯度消失和网络退化的问题,提出一种基于IMGRU-Seq2seq(Identity Mapping Gated Recurrent Unit-Sequence to Sequence)的自动问答模型。通过TF-IDF方法对文本进行加权词向量表示;以门控循环单元为基础,将批标准化技术和线性整流激活函数相结合并添加恒等映射,从而构建IMGRU模型;将双向IMGRU作为问答模型的语义抽取单元,引入注意力机制和集束搜索算法,实现自动问答。实验结果表明,所提方法比现有方法BLEU、ROUGE-L分别平均提高18.87%、4.35%。

基于航迹匹配与SSA-GRU的多目标轨迹预测

针对空战环境下多目标轨迹预测问题,提出了基于航迹匹配与麻雀搜索算法(SSA:Sparrow Search Algorithm)-门控循环单元(GRU:Gate Recurrent Unit)的多目标轨迹预测方法。首先基于归属未知的多目标航迹点时序数据,采用基于密度的带噪声空间聚类算法(DBSCAN:Density-Based Spatial Clustering of Applications with Noise)实现在目标个数未知的情况下多目标-航迹匹配;在此基础上,构建目标轨迹预测GRU模型,并采用SSA对GRU网络参数进行优化,确定最优神经元个数,提升轨迹预测模型性能。仿真结果表明,基于航迹匹配与SSA-GRU的多目标轨迹预测方法能够有效识别匹配多个目标航迹,并实现各目标轨迹预测。

Solving unit commitment problem using a novel version of harmony search algorithm

In this context, a novel structure was proposed for improving harmony search （HS） algorithm to solve the unit comment （UC） problem. The HS algorithm obtained optimal solution for defined objective function by improvising, updating and checking operators. In the proposed improved self-adaptive HS （SGHS） algorithm, two important control parameters were adjusted to reach better solution from the simple HS algorithm. The objective function of this study consisted of operation, start-up and shut-down costs. To confirm the effectiveness, the SGHS algorithm was tested on systems with 10, 20, 40 and 60 generating units, and the obtained results were compared with those of the simple HS algorithm and other related works.

基于GSA的水轮机调速器PID控制参数优化方法

针对现有水轮机调速器控制参数优化研究依赖系统特征参数值、忽视发电机模型的不确定性以及控制策略较落后等问题,以引力搜索算法(GSA)为基础,对水轮机调速器PID控制参数优化模型和优化方法等进行分析,仿真模拟优化中国某水电机组,比较不同状态下水轮机调速器的组合控制效果。结果表明,在孤网运行条件下,基于GSA的水轮机调速器PID控制参数优化方法对水轮机组动态运行品质的提升效果最佳。

融合深度学习和信号分解的碳价预测方法研究

碳排放权交易市场有效降低碳排放量,促进经济绿色转型,碳价格预测研究有助于完善碳配额分配制度和构建合理定价机制。针对碳价数据非线性、高噪声、强波动的特点,本文提出了一种将深度学习与信号分解相结合的碳价预测方法。该方法以门控循环单元(GRU)作为预测模型基础,融合自适应噪声完备集合经验模态分解算法(CEEMDAN)以提取碳价序列的多尺度时频特征,降低原序列噪声,提高模型对碳价数据的预测能力,同时引入麻雀搜索算法(SSA)选取最优模型结构参数,增强模型结构稳定性。本文采用湖北省和北京市两地碳交易市场价格数据进行预测实验,实验结果证明:本文提出的CEEMDAN-SSA-GRU模型在碳价预测方面具备显著优势,该模型可以准确预测不同区域和不同时间尺度的碳价数据,同时保持显著的预测稳定性。

基于CNN-GRU-SSA组合模型的PM_(2.5)浓度预测

为了解决门控循环单元(gated recurrent unit,GRU)超参数选取困难的问题,提出一种基于卷积神经网络(convolutional neural networks,CNN)、门控循环单元和麻雀搜索算法(sparrow search algorithm,SSA)的组合模型(CNN-GRU-SSA)。首先利用CNN对输入的多维数据集进行特征提取;然后将CNN提取到的特征输入GRU模型;最后使用SSA算法优化GRU模型的超参数,并将其应用于PM_(2.5)浓度预测。选取西部城市成都与东部城市杭州作为研究区域,使用2021年12月1日—2022年2月13日的大气污染物、气象因素、边界层高度(boundary layer height,BLH)以及大气可降水量(precipitable water vapor,PWV)的小时数据进行建模,分别预测两市2022年2月14日—2月28日PM_(2.5)浓度变化。实验结果表明,CNN-GRU-SSA模型预测精度与其他模型相比有明显提高,其中成都的预测值最接近实际值。

基于变分模态分解-门控循环单元-麻雀搜索算法的电能质量稳态指标预测

准确的电能质量预测有助于电网的安全可靠运行,本文提出一种基于变分模态分解(VMD)、门控循环单元(GRU)及麻雀搜索算法(SSA)的混合模型,用于预测电能质量稳态指标。首先利用VMD对电能质量历史数据进行分解,然后通过SSA对GRU神经网络的参数进行寻优,并将分解出的电能质量数据分量输入GRU神经网络,最后将每个分量的预测值相加,得到电能质量稳态指标预测值。以某监测点的电能质量数据对模型进行验证,并将该模型与GRU、VMD-GRU模型进行对比,结果表明所提预测模型的平均绝对百分比误差低于7%,预测效果更佳。

基于优化分解与误差修正的光伏发电功率预测

针对光伏发电功率预测精度不高的问题,提出一种基于优化分解降噪联合误差修正模型。该模型分为3个阶段,第一阶段,首先用基于全局搜索的鲸鱼优化算法(GSWOA)选取变分模态分解(VMD)的参数,之后运用优化后的VMD对原始数据进行分解;然后利用互相关分析重构高频分量,最后对高频分量进行小波软阈值降噪(WTSD);第二阶段,运用门控循环单元(GRU)对每个分量进行预测,将所有分量预测结果叠加起来得到初步预测结果;第三阶段,对初始预测结果进行误差修正(EC)。为验证模型的有效性,利用宁夏太阳山光伏电站2021年1、4、7、10月份的光伏实测数据进行实验,实验结果表明,相比于LSTM、GRU、VMD-LSTM,该混合模型表现出更好的性能。

基于KPCA降维分析的特高拱坝监测模型

为提高大坝变形预测精度,针对变形数据影响因子间的多重共线性问题,构建了基于核主成分分析(KPCA)、全局搜索策略的鲸鱼优化算法(GSWOA)和门控循环单元(GRU)的组合预测模型。首先利用KPCA对高维变形序列进行降维处理,同时使用GSWOA对GRU参数进行优化,进而构建出最优变形预测模型。以小湾特高拱坝变形数据为例,将KPCA-GSWOA-GRU模型与KPCA-WOA-GRU模型、PCA-GSWOA-GRU模型以及传统模型进行预测拟合对比。结果表明:KPCA-GSWOA-GRU模型有效降低了多重共线性问题,且在均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R^(2))等方面均优于对比模型。

机组负荷优化的遗传-禁忌混合算法

针对遗传算法"爬山"能力差的缺点,提出在遗传算法中引入禁忌搜索操作来提高局部寻优能力,并应用遗传-禁忌混合算法进行了火电机组负荷优化研究.在遗传算法每计算一定代数后,将每个个体作为禁忌搜索的初始解进行搜索,可以改善群体质量,加快搜索速度.混合算法有效地综合了遗传算法的全局搜索能力和禁忌搜索算法的局部搜索能力,从而避免出现"早熟"现象,改善了算法的收敛性.应用某实例进行负荷优化计算,结果表明混合算法大大改善了局部搜索能力和搜索速度,可以有效解决机组在线负荷优化难题.

遗传算法搜索优化及其在机组启停中的应用

提出了一种遗传算法应用于机组启停的新思路。针对机组启停问题的特点 ,设计了一些启发式技术 ,使得遗传算法初始种群中的所有个体都是可行解。针对遗传操作生成的不可行解 ,建立了一种从不可行域到可行域的映射关系 ,大大减少了搜索中的无效操作。对过度满足约束条件的解 ,给出了一种有效减冗余的手段。并提出了一种边界搜索方法 ,可以更容易得到更优的解。这些措施起到了优化搜索路径的作用 ,有效地提高了遗传算法求解的效率和质量。