针对火电机组SO_(2)排放质量浓度的影响因素众多,难以准确预测的问题,提出一种改进向量加权平均(weighted mean of vectors,INFO)算法与双向长短期记忆(bi-directional long short term memory,Bi-LSTM)神经网络相结合的预测模型(改进IN...针对火电机组SO_(2)排放质量浓度的影响因素众多,难以准确预测的问题,提出一种改进向量加权平均(weighted mean of vectors,INFO)算法与双向长短期记忆(bi-directional long short term memory,Bi-LSTM)神经网络相结合的预测模型(改进INFO-Bi-LSTM模型)。采用Circle混沌映射和反向学习产生高质量初始化种群,引入自适应t分布提升INFO算法跳出局部最优解和全局搜索的能力。选取改进INFO-Bi-LSTM模型和多种预测模型对炉内外联合脱硫过程中4种典型工况下的SO_(2)排放质量浓度进行预测,将预测结果进行验证对比。结果表明:改进INFO算法的寻优能力得到提升,并且改进INFO-Bi-LSTM模型精度更高,更加适用于SO_(2)排放质量浓度的预测,可为变工况下的脱硫控制提供控制理论支撑。展开更多
由于复杂海况随机海浪对船舶航行及人命安全造成威胁,通过构建海浪波高预测模型实现高海况海浪预警对提升航行安全具有重要意义。针对海浪波高预测问题,本文提出一种MAF-GWO-LSTM预测模型。首先利用滑动平均滤波器(Moving Average Filte...由于复杂海况随机海浪对船舶航行及人命安全造成威胁,通过构建海浪波高预测模型实现高海况海浪预警对提升航行安全具有重要意义。针对海浪波高预测问题,本文提出一种MAF-GWO-LSTM预测模型。首先利用滑动平均滤波器(Moving Average Filter,MAF)对实测海浪数据进行处理得到有效波高的光滑趋势序列,作为预测模型的输入训练集;再选用长短时记忆神经网络LSTM作为预测浪模型,依据灰狼优化算法(Grey Wolf Optimization,GWO)对滑动窗口MA及神经网络训练过程中的参数进行自适应寻优,并以南海实测有效波高数据进行验证。研究结果表明,采用MAF滤波有利于提取海浪有效波高特征,再通过GWO-LSTM预测模型优化神经网络参数,最优参数下波高预报精度达到R^(2)=0.991 0。论文研究可为高海况下海浪有效波高预报预警提供一种有效手段。展开更多
为监测大坝运行过程中的异常状态,防范化解大坝溃坝等重大风险,基于大坝变形大样本、非线性监测数据,引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测,以测试样本的均方根误差最小为适应度函数,采用...为监测大坝运行过程中的异常状态,防范化解大坝溃坝等重大风险,基于大坝变形大样本、非线性监测数据,引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测,以测试样本的均方根误差最小为适应度函数,采用遗传算法(Genetic Algorithm, GA)优化LSTM模型参数,建立大坝变形GA-LSTM组合预测模型。以福建水口水电站大坝为例进行验证分析,并与LSTM模型和门控循环神经网络(Gated Recurrent Unit, GRU)模型预测结果进行对比分析。分析结果表明,GA-LSTM模型的预测效果和性能更佳,且相较于LSTM模型和GRU模型各测点预测误差均有减小,平均绝对误差减小量最高达6.92%。展开更多
文摘针对火电机组SO_(2)排放质量浓度的影响因素众多,难以准确预测的问题,提出一种改进向量加权平均(weighted mean of vectors,INFO)算法与双向长短期记忆(bi-directional long short term memory,Bi-LSTM)神经网络相结合的预测模型(改进INFO-Bi-LSTM模型)。采用Circle混沌映射和反向学习产生高质量初始化种群,引入自适应t分布提升INFO算法跳出局部最优解和全局搜索的能力。选取改进INFO-Bi-LSTM模型和多种预测模型对炉内外联合脱硫过程中4种典型工况下的SO_(2)排放质量浓度进行预测,将预测结果进行验证对比。结果表明:改进INFO算法的寻优能力得到提升,并且改进INFO-Bi-LSTM模型精度更高,更加适用于SO_(2)排放质量浓度的预测,可为变工况下的脱硫控制提供控制理论支撑。
文摘由于复杂海况随机海浪对船舶航行及人命安全造成威胁,通过构建海浪波高预测模型实现高海况海浪预警对提升航行安全具有重要意义。针对海浪波高预测问题,本文提出一种MAF-GWO-LSTM预测模型。首先利用滑动平均滤波器(Moving Average Filter,MAF)对实测海浪数据进行处理得到有效波高的光滑趋势序列,作为预测模型的输入训练集;再选用长短时记忆神经网络LSTM作为预测浪模型,依据灰狼优化算法(Grey Wolf Optimization,GWO)对滑动窗口MA及神经网络训练过程中的参数进行自适应寻优,并以南海实测有效波高数据进行验证。研究结果表明,采用MAF滤波有利于提取海浪有效波高特征,再通过GWO-LSTM预测模型优化神经网络参数,最优参数下波高预报精度达到R^(2)=0.991 0。论文研究可为高海况下海浪有效波高预报预警提供一种有效手段。
文摘为监测大坝运行过程中的异常状态,防范化解大坝溃坝等重大风险,基于大坝变形大样本、非线性监测数据,引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测,以测试样本的均方根误差最小为适应度函数,采用遗传算法(Genetic Algorithm, GA)优化LSTM模型参数,建立大坝变形GA-LSTM组合预测模型。以福建水口水电站大坝为例进行验证分析,并与LSTM模型和门控循环神经网络(Gated Recurrent Unit, GRU)模型预测结果进行对比分析。分析结果表明,GA-LSTM模型的预测效果和性能更佳,且相较于LSTM模型和GRU模型各测点预测误差均有减小,平均绝对误差减小量最高达6.92%。
