为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首...为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首先,运用互信息算法进行输入数据的变量选择,以消除冗余变量。其次,通过互补集合经验模态分解和改进的小波阈值算法对筛选后的数据进行特征重构,旨在降低数据中的噪声干扰并完成输入变量的特征优化。随后,结合改进的Tent混沌映射、非线性递减因子、动态权重策略和差分进化算法对标准灰狼优化算法进行混合优化,以确定双向长短期记忆神经网络的最优超参数组合,并引入注意力机制以挖掘数据中的关键时序信息,最终构建出一种新型的短期光伏功率预测模型。仿真实验表明,相较于最小二乘支持向量机、长短期记忆网络和双向长短期记忆网络,所提模型在晴天、多云、阴天和降雨等不同工况下的均方根误差平均分别降低了12.45%、7.95%和5.37%,显示出优秀的预测性能、良好的泛化能力和潜在的工程应用价值。展开更多
集成测试是软件测试的重要环节,如何决定类的集成顺序是面向对象集成测试难解决的问题之一。已有研究成果证实了基于搜索的类集成测试序列生成方法的有效性,但存在收敛速度慢、寻优精度低的问题。灰狼优化算法(Grey Wolf Optimizer, GWO...集成测试是软件测试的重要环节,如何决定类的集成顺序是面向对象集成测试难解决的问题之一。已有研究成果证实了基于搜索的类集成测试序列生成方法的有效性,但存在收敛速度慢、寻优精度低的问题。灰狼优化算法(Grey Wolf Optimizer, GWO)中狼群易聚集在相近的区域,易早熟收敛。算术优化算法(Arithmetic Optimization Algorithm, AOA)是新近提出的元启发式优化算法,具有良好的随机性及分散性。为此,提出了一种灰狼优化算法和算术优化算法的混合优化算法(GWO-AOA)。GWO-AOA保留GWO的位置更新策略,选用群体领导层的中心个体替换AOA的引导个体,以平衡算法的全局探索和局部开发能力,进一步引入随机游动的精英变异机制,提高算法整体的寻优精度。实验结果表明,GWO-AOA相比同类方法能用较短的时间生成测试桩代价较低的类集成测试序列,收敛速度较快。展开更多
传统钢筋混凝土检测方法通过线性拟合或标准值查表法只能对钢筋直径做大致估算,无法精确测量。针对钢筋直径检测中样本数据较少、检测结果受到钢筋埋深及相邻钢筋间距的影响而非表现出非线性回归变化的情况,提出了基于改进灰狼算法(Impr...传统钢筋混凝土检测方法通过线性拟合或标准值查表法只能对钢筋直径做大致估算,无法精确测量。针对钢筋直径检测中样本数据较少、检测结果受到钢筋埋深及相邻钢筋间距的影响而非表现出非线性回归变化的情况,提出了基于改进灰狼算法(Improved Grey Wolf Optimizer,IGWO)优化的支持向量回归机(Support Vector Regression,SVR)检测方法(IGWO-SVR)。首先,通过反向学习策略优化初始化种群分布,改善了灰狼优化算法(Grey Wolf Optimizer,GWO)的全局搜索能力,通过随机差分变异策略扩大狼群动态搜索范围,避免了灰狼优化算法陷入局部最优;然后,将改进后的灰狼优化算法应用于支持向量回归机的核心参数寻优,以改良算法模型的检测性能;最后,与另外3种算法模型的实验结果进行对比分析,结果表明了所提方法在钢筋直径检测中的精度以及优化模型与实际值的拟合度都得到了有效提升。展开更多
滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来...滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来提高模型对重要特征的关注程度,对于长时间序列容易丢失重要信息。另外,神经网络中隐藏层神经元个数、学习率以及正则化参数等超参数还需要依靠人工经验设置。为了解决上述问题,提出基于灰狼优化(grey wolf optimizer, GWO)算法、优化集合CNN、双向长短期记忆(bidirectional long short term memory, BiLSTM)网络和注意力机制(Attention)轴承剩余使用寿命预测方法。首先,从原始振动信号中提取时域、频域以及时频域特征指标构建可选特征集;然后,通过构建考虑特征相关性、鲁棒性和单调性的综合评价指标筛选出高于设定阈值的轴承退化敏感特征集,作为预测模型的输入;最后,将预测值和真实值的均方误差作为GWO算法的适应度函数,优化预测模型获得最优隐藏层神经元个数、学习率和正则化参数,利用优化后模型进行剩余使用寿命预测,并在公开数据集上进行验证。结果表明,所提方法可在非经验指导下获得最优的超参数组合,优化后的预测模型与未进行优化模型相比,平均绝对误差与均方根误差分别降低了28.8%和24.3%。展开更多
气弹控制系统的驱动器、闭环信号回路在实际中会存在时滞环节,由于气弹敏感性和环境复杂性,时滞会引起控制信号迟延并导致气弹控制极速恶化、甚至造成系统失稳,该问题以往研究较少。针对翼型时滞气弹控制问题,设计了一种基于BRGWO算法...气弹控制系统的驱动器、闭环信号回路在实际中会存在时滞环节,由于气弹敏感性和环境复杂性,时滞会引起控制信号迟延并导致气弹控制极速恶化、甚至造成系统失稳,该问题以往研究较少。针对翼型时滞气弹控制问题,设计了一种基于BRGWO算法和改进型滤波Smith的最优气弹控制方法。首先,引入二阶滤波器改进Smith预估器,设计了翼型气弹控制器;然后,创新设计了一种双向随机灰狼优化算法(bidirectional random grey wolf optimization, BGWO),提高了时滞下气弹控制参数的全局寻优能力,该算法改进了不同等级灰狼的狩猎策略,提高跳出非理想值机率、避免陷入局部最优。利用最小增益原理,在理论上证明了闭环系统稳定性。仿真结果表明,对比传统智能优化算法(如遗传算法、灰狼优化算法)和多种已有控制器(经典Smith、PI-PD型Smith和传统滤波Smith预估器),该方法具有更强的时滞补偿能力和更优的气弹控制性能,在不确定时滞、不确定风速、刚度变化和驱动干扰等算例下,保持了优良的时滞气弹控制效果,具有较强的鲁棒性。展开更多
为提高瓦斯涌出量预测精度,降低煤矿回采工作面瓦斯涌出超限事故的风险,针对瓦斯涌影响因素众多、难以预测等问题,采用灰狼优化算法(Grey Wolf Optimization,GWO)双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM...为提高瓦斯涌出量预测精度,降低煤矿回采工作面瓦斯涌出超限事故的风险,针对瓦斯涌影响因素众多、难以预测等问题,采用灰狼优化算法(Grey Wolf Optimization,GWO)双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)的组合模型预测瓦斯涌出量。首先,运用主成分分析法(Principal Components Analysis,PCA)处理瓦斯涌出影响因素,降低数据维度,以减少模型计算时的负担;其次,利用GWO优化BiLSTM模型的学习率(best_lr)、隐藏层层数(best_hd)以及正则化系数(best_l2),可有效避免局部最优解问题,并采用决定系数(R-Square,R^(2))、均方根误差(Root Mean Square Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)对所建模型预测的结果进行综合评价分析;最后,将该模型应用于内蒙古自治区某矿回采工作面预测瓦斯涌出量。结果显示:PCA GWO BiLSTM组合模型相比于长短期记忆神经网络(Long Short-Term Memory,LSTM)和双向长短期记忆神经网络对应的单一模型,其MAE分别降低20.81%、30.17%,RMSE分别降低0.063、0.142,R^(2)则分别提高了0.023、0.075,表明该模型在复杂因素条件下具有更高的精准度、泛化性和鲁棒性。展开更多
针对光伏功率预测中特征因素太多、关键特征与功率间映射关系难以有效挖掘和预测精度不高的问题,提出一种基于随机森林RF(random forest)算法特征选择和灰狼优化算法GWO(grey wolf optimizer)优化高斯过程回归GPR(Gaussian process regr...针对光伏功率预测中特征因素太多、关键特征与功率间映射关系难以有效挖掘和预测精度不高的问题,提出一种基于随机森林RF(random forest)算法特征选择和灰狼优化算法GWO(grey wolf optimizer)优化高斯过程回归GPR(Gaussian process regression)模型相结合的组合预测模型。首先,采用皮尔逊和斯皮尔曼相关系数对特征进行相关性分析,并进行初步筛选;接着,基于随机森林算法对特征进行重要性评价,并选取最优特征子集;然后,采用灰狼优化算法对高斯过程回归模型进行优化;最后,将最优特征子集输入到组合预测模型RFGWO-GPR中进行短期光伏功率预测。应用某光伏电站实测数据的仿真实验结果表明,提出的模型在不同天气条件下可以对特征进行有效选择,与未进行特征选择的单一模型相比,预测精度显著提高,并且明显优于其他优化算法与GPR模型组成的组合预测模型。展开更多
文摘为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首先,运用互信息算法进行输入数据的变量选择,以消除冗余变量。其次,通过互补集合经验模态分解和改进的小波阈值算法对筛选后的数据进行特征重构,旨在降低数据中的噪声干扰并完成输入变量的特征优化。随后,结合改进的Tent混沌映射、非线性递减因子、动态权重策略和差分进化算法对标准灰狼优化算法进行混合优化,以确定双向长短期记忆神经网络的最优超参数组合,并引入注意力机制以挖掘数据中的关键时序信息,最终构建出一种新型的短期光伏功率预测模型。仿真实验表明,相较于最小二乘支持向量机、长短期记忆网络和双向长短期记忆网络,所提模型在晴天、多云、阴天和降雨等不同工况下的均方根误差平均分别降低了12.45%、7.95%和5.37%,显示出优秀的预测性能、良好的泛化能力和潜在的工程应用价值。
文摘传统钢筋混凝土检测方法通过线性拟合或标准值查表法只能对钢筋直径做大致估算,无法精确测量。针对钢筋直径检测中样本数据较少、检测结果受到钢筋埋深及相邻钢筋间距的影响而非表现出非线性回归变化的情况,提出了基于改进灰狼算法(Improved Grey Wolf Optimizer,IGWO)优化的支持向量回归机(Support Vector Regression,SVR)检测方法(IGWO-SVR)。首先,通过反向学习策略优化初始化种群分布,改善了灰狼优化算法(Grey Wolf Optimizer,GWO)的全局搜索能力,通过随机差分变异策略扩大狼群动态搜索范围,避免了灰狼优化算法陷入局部最优;然后,将改进后的灰狼优化算法应用于支持向量回归机的核心参数寻优,以改良算法模型的检测性能;最后,与另外3种算法模型的实验结果进行对比分析,结果表明了所提方法在钢筋直径检测中的精度以及优化模型与实际值的拟合度都得到了有效提升。
文摘滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来提高模型对重要特征的关注程度,对于长时间序列容易丢失重要信息。另外,神经网络中隐藏层神经元个数、学习率以及正则化参数等超参数还需要依靠人工经验设置。为了解决上述问题,提出基于灰狼优化(grey wolf optimizer, GWO)算法、优化集合CNN、双向长短期记忆(bidirectional long short term memory, BiLSTM)网络和注意力机制(Attention)轴承剩余使用寿命预测方法。首先,从原始振动信号中提取时域、频域以及时频域特征指标构建可选特征集;然后,通过构建考虑特征相关性、鲁棒性和单调性的综合评价指标筛选出高于设定阈值的轴承退化敏感特征集,作为预测模型的输入;最后,将预测值和真实值的均方误差作为GWO算法的适应度函数,优化预测模型获得最优隐藏层神经元个数、学习率和正则化参数,利用优化后模型进行剩余使用寿命预测,并在公开数据集上进行验证。结果表明,所提方法可在非经验指导下获得最优的超参数组合,优化后的预测模型与未进行优化模型相比,平均绝对误差与均方根误差分别降低了28.8%和24.3%。
文摘气弹控制系统的驱动器、闭环信号回路在实际中会存在时滞环节,由于气弹敏感性和环境复杂性,时滞会引起控制信号迟延并导致气弹控制极速恶化、甚至造成系统失稳,该问题以往研究较少。针对翼型时滞气弹控制问题,设计了一种基于BRGWO算法和改进型滤波Smith的最优气弹控制方法。首先,引入二阶滤波器改进Smith预估器,设计了翼型气弹控制器;然后,创新设计了一种双向随机灰狼优化算法(bidirectional random grey wolf optimization, BGWO),提高了时滞下气弹控制参数的全局寻优能力,该算法改进了不同等级灰狼的狩猎策略,提高跳出非理想值机率、避免陷入局部最优。利用最小增益原理,在理论上证明了闭环系统稳定性。仿真结果表明,对比传统智能优化算法(如遗传算法、灰狼优化算法)和多种已有控制器(经典Smith、PI-PD型Smith和传统滤波Smith预估器),该方法具有更强的时滞补偿能力和更优的气弹控制性能,在不确定时滞、不确定风速、刚度变化和驱动干扰等算例下,保持了优良的时滞气弹控制效果,具有较强的鲁棒性。
文摘针对光伏功率预测中特征因素太多、关键特征与功率间映射关系难以有效挖掘和预测精度不高的问题,提出一种基于随机森林RF(random forest)算法特征选择和灰狼优化算法GWO(grey wolf optimizer)优化高斯过程回归GPR(Gaussian process regression)模型相结合的组合预测模型。首先,采用皮尔逊和斯皮尔曼相关系数对特征进行相关性分析,并进行初步筛选;接着,基于随机森林算法对特征进行重要性评价,并选取最优特征子集;然后,采用灰狼优化算法对高斯过程回归模型进行优化;最后,将最优特征子集输入到组合预测模型RFGWO-GPR中进行短期光伏功率预测。应用某光伏电站实测数据的仿真实验结果表明,提出的模型在不同天气条件下可以对特征进行有效选择,与未进行特征选择的单一模型相比,预测精度显著提高,并且明显优于其他优化算法与GPR模型组成的组合预测模型。
