基于人工鱼群算法和BP神经网络的时间序列预测研究
改进人工鱼群算法优化小波神经网络的变压器故障诊断
改进人工鱼群算法优化小波神经网络的变压器故障诊断贾亦敏;史丽萍;严鑫【摘要】针对油浸式变压器故障类型的复杂难辨,结合油中气体分析法,提出一种基于改进人工鱼群算法优化小波神经网络的故障诊断模型.基于经典三层小波神经网络,采用粒子化的人工鱼群算法对小波神经网络输入和输出层的权值、小波神经元的伸缩和平移系数进行修正,通过引入动态反向学习策略实时优化人工鱼分布,迭代后半程采用基于柯西分布的自适应人工鱼视野范围提高算法精度.结果表明,该改进鱼群算法优化的小波神经网络相比标准粒子群算法优化小波神经网络和标准鱼群算法优化小波神经网络,诊断速度更快,准确率更高.【期刊名称】《河南理工大学学报（自然科学版）》【年(卷),期】2019(038)002【总页数】7页(P103-109)【关键词】变压器;故障诊断;小波神经网络;改进人工鱼群算法;粒子群优化算法;动态反向学习策略【作者】贾亦敏;史丽萍;严鑫【作者单位】中国矿业大学电气与动力工程学院,江苏徐州221116;中国矿业大学电气与动力工程学院,江苏徐州221116;国网上海市电力公司市北供电公司,上海200940【正文语种】中文【中图分类】TM4110 引言变压器自19世纪80年代问世以来，一直是电力系统的关键设备之一，受到了广泛关注和研究。
在整个输配电系统中，变压器作为核心组成部分占据着至关重要的地位，其性能的优劣直接影响整个供配电系统的经济效益与安全性。
在实际生产中，能否快速准确诊断或预测变压器已有故障或潜伏性故障，与电网能否安全稳定密切相关[1]。
基于油浸式变压器故障时油中会产生较多气体的油中气体分析法(dissolved gas analysis，DGA)自提出以来，已成为国内外实际应用最广泛的变压器故障诊断方法，该方法主要通过故障气体量与故障类型间数学关系进行判断，经典应用有三比值法与大卫三角法等。
近年来，许多新理论被应用于变压器故障诊断，主要有模糊算法[2]、支持向量机[3]、免疫算法[4]、粗糙集理论等，取得了一定成果。
基于BP神经网络的流溪河水库短期水位预报
基于BP神经网络的流溪河水库短期水位预报2 河北省智慧水利重点实验室河北邯郸 0560383 上海勘测设计研究院有限公司上海 200434；4 中国长江三峡集团有限公司湖北武汉 430010摘要：流溪河水库作为广州市唯一的大型水库，研究其调度运行对于广州市的防汛抗旱具有重大意义。
水位是水库维持正常运作的一个重要参数，也是水库实时调度的基础。
为预测流溪河水库水位实时变化，本文采用BP神经网络方法，构建了流溪河水位预报模型，模型以预报断面前期水位、上游断面前期水位和区间面雨量为输入参数，对流溪河水库进行了预见期为3h、6h、12h和24h的水位预报。
结果表明：（1）该模型能够较好实现流溪河水库的短期水位预报，各预见期精度均达到甲级标准；（2）不同预见期的精度各有差异，其中3小时预见期的精度最高。
研究结果证明了该方法的可行性和高精度，可应用于流溪河水库的运行和其他相关工作。
关键词:水位预测；BP神经网络；流溪河水库；预见期1引言流溪河水库是广州市唯一一座集防洪、灌溉、发电、养殖、旅游于一体的大型水库[1]。
水位是水库保持各种功能平衡的重要指标。
在水库运行中，多目标综合调度是水库的主要任务，水位预测是水库运行的基础。
随着机器学习技术的发展，基于深度学习的预测模型逐渐成为一种新的发展趋势。
要震等人[2]建立了基于遗传算法(GA)优化Elman神经网络的河流水位预测模型，该模型具有收敛速度快、精度高等优点；纪国良等人[3]将灰色模型和神经网络模型相结合进行水位预报，结果表明比单独运用灰色模型或者神经网络模型预测精度更高；Ashaary等人[4]研究了神经网络预测水库水位的潜力，通过建立6个不同的神经网络模型并进行比较，结果建运用前期长达2天的水库水位的变化数据进行建模时，预报结果最优。
由此可知，BP神经网络在水位预报领域的大量应用实例均获得了不错的效果，已日趋成熟。
本文构建了流溪河水库水位预测模型，探讨了其对流溪河水库水位预测的潜力，从而为流溪河水库的运行提供可靠的水位预测结果。
基于粒子群优化的BP神经网络
基于粒子群优化的ＢＰ神经网络【摘要】人工神经网络的优化学习是其研究中的一个重要课题。
将粒子群优化算法用于BP神经网络的学习，将粒子优化算法的全局搜索和BP神经网的局部搜索相结合，并设计一网络实例加以训练，达到了比较满意的效果。
【关键词】粒子群优化算法BP神经网络BP算法BP网络(Back Propagation Network)是用途最为广泛的一类神经网络，具有很强的信息处理能力。
但是，由于BP算法的基本思想是最小二乘法，采用的是梯度搜索技术，难免存在收敛速度慢、局部极小等问题。
粒子群优化算法(Particle Swarm Optimaziton，简称PSO )是由Kennedy J和Eberhart R C于1995年提出的一种优化算法，源于对鸟群和鱼群群体运动行为的研究。
由于其容易理解，易于实现，不要求目标函数和约束条件是可微的，并能以较大概率求得全局最优解，目前已在许多优化问题中得到成功应用。
由于它具有并行计算的特点，而且可以提高计算速度。
因此，可以用粒子群优化算法来优化BP网络。
一、BP神经网络及其算法BP网络是一种具有三层或三层以上的单向传播的多层前馈网络，其拓扑结构如图1。
图1 拓扑结构图BP算法的执行步骤如下：(1)对各层权系数置一个较小Wij的非零随机数。
(2)输入一个样本X=(X1，X2，…，x n)，以及对应期望输出) Y=(y1，y2，…，yn)。
(3)计算各层的输出。
对于第k 层第i个神经元的输出有：Uki=∑WijXk-1i，Xki=f(Uki)(一般为sigmoid 函数，即f(x)=1/(1-epx(-x))。
(4)求各层的学习误差dki。
对于输出层，有，k=m，dmi=Xmi(1-Xmi)(Xmi-Ymi)。
对于其他各层，有dxi=Xki(1-Xki)∑Wijdk+1i。
(5)修正权系数Wij。
Wij (t+1)=Wij-η•dki•Xk-1j。
基于人工鱼群优化LS-SVM的卫星钟差预报
核 宽度 参数 的选 择与确 定 对预报 结 果有 较大 的影
１ ． ２ 人 工鱼群 优化 Ｌ Ｓ— Ｓ ＶＭ 钟 差预 报方 法 设人 工 鱼个 体 状 态 Ｘ ＝ （ ， ｚ 。 ， …， ｚ ） ， 其 中 ｚ （ 一 １ ， ２ ， …， ）为各 寻优 变 量 ； 人 工 鱼个 体 当前 所 在位 置 的食 物浓 度 Ｙ 一 ， （ Ｘ） ； ｄ 为 各人 工 鱼个 体 间的距 离 ； Ｖｉ ｓ ｕ ａ ｌ 为人 工鱼 个体 的视野 范 围 ； Ｓ ｔ ｅ ｐ 为人 工鱼 个体 的移 动步 长 ； 为 拥 挤度 因子 。 人 工鱼 个 体行 为数学 描述 见文 献Ｅ ６ ３ 。
之一， 时频 的测 量精 度直 接影 响系统 的导航 、 定位 和
授 时精 度 。精密单 点 定 位 （ Ｐ ｒ ｅ ｃ ｉ ｓ ｅ Ｐ ｏ ｉ ｎ ｔ Ｐ ｏ ｓ ｉ ｔ ｉ ｏ — ｎ ｉ ｎ ｇ ， Ｐ Ｐ Ｐ ） 中 通 常 采 用 国 际 ＧＰ Ｓ服 务组 织 （ Ｉ ｎ ｔ ｅ ｒ — ｎ ａ ｔ ｉ ｏ ｎ ａ ｌ ＧＰ Ｓ Ｓ ｅ ｒ ｖ ｉ ｃ ｅ ， Ｉ ＧＳ ） 或 其数 据 分 析 中 心提 供
基于神经网络的短期水文预测方法
基于神经网络的短期水文预测方法短期水文预测是水文学中的重要研究领域，对于水资源管理和防洪减灾具有重要意义。
随着神经网络技术的发展和应用，基于神经网络的短期水文预测方法逐渐成为研究的热点。
本文将探讨基于神经网络的短期水文预测方法及其应用，分析其优势和不足，并展望未来发展方向。
一、引言随着气候变化和人类活动的影响，水资源管理和防洪减灾等问题变得越来越复杂。
准确预测未来一段时间内的降雨量、径流量等水文要素对于科学合理地管理和利用水资源具有重要意义。
传统的统计方法在一定程度上可以满足需求，但受到数据特征复杂、非线性关系等问题的限制。
二、基于神经网络的短期水文预测方法1. 神经网络原理神经网络是一种模拟人类大脑工作方式而设计出来的计算模型。
它由大量简单处理单元（神经元）相互连接而成，并通过学习调整连接权值以实现特定的功能。
神经网络具有自适应性、非线性映射能力和并行处理能力等特点，适用于处理复杂的非线性问题。
2. 数据预处理在应用神经网络进行短期水文预测之前，需要对原始数据进行预处理。
预处理包括数据清洗、缺失值填补、异常值检测和数据标准化等步骤，以提高神经网络模型的准确性和鲁棒性。
3. 神经网络模型构建基于神经网络的短期水文预测方法通常采用前馈神经网络（Feedforward Neural Network）模型。
该模型由输入层、隐藏层和输出层组成，其中隐藏层可以有多个。
输入层接收水文要素数据，输出层给出对未来水文要素的预测结果。
隐藏层负责对输入数据进行非线性映射和特征提取。
4. 神经网络训练与优化神经网络模型需要通过训练来学习输入与输出之间的映射关系。
常用的训练算法包括误差反向传播算法（Backpropagation）和Levenberg-Marquardt算法等。
在训练过程中，可以采用交叉验证方法评估模型的泛化能力，并通过调整网络结构和参数来优化模型性能。
三、基于神经网络的短期水文预测方法的应用1. 降雨预测基于神经网络的短期降雨预测方法能够通过历史降雨数据和其他气象要素数据，准确地预测未来一段时间内的降雨量。
人工鱼群算法的分析及改进
1、引入动态调整策略
在AFSO算法中，随着迭代次数的增加，鱼群的全局最优解可能逐渐偏离真正 的最优解。这是由于在寻优过程中，鱼群可能会陷入局部最优陷阱。为了解决这 个问题，我们引入了动态调整策略，即根据算法的迭代次数和当前的最优解，动 态地调整鱼群的搜索范围和搜索速度。
2、增加随机扰动
在AFSO算法中，鱼群通常会向当前的全局最优解集中。这可能会导致算法过 早地陷入局部最优陷阱。为了解决这个问题，我们引入了随机扰动。即在每次迭 代时，随机选择一部分鱼，将其位置和速度进行随机扰动，以增加算法的探索能 力。
2、计算适应度：对于每一条鱼，计算其适应度函数值（通常是目标函数 值），这个值代表了这条鱼的“健康”状况。
3、比较适应度：将每条鱼的适应度与全局最优解进行比较，更新全局最优 解。
4、更新领头鱼：随机选择一条鱼作为领头鱼，然后根据一定的规则，如最 小距离规则，选择其他鱼跟随领头鱼。
5、更新鱼群：根据领头鱼的位置和行为，更新其他鱼的位置和行为。
4、多种群并行搜索：通过将搜索空间划分为多个子空间，并在每个子空间 中独立运行AFSA，我们可以实现多种群的并行搜索。这种并行搜索方法可以显著 提高算法的搜索速度和效率。
四、结论
本次演示对人工鱼群算法进行了详细的分析和改进。通过引入混沌理论、变 异机制和自适应调整参数等方法，我们可以有效地提高AFSA的全局搜索能力和效 率，避免算法过早地陷入局部最优解。多种群并行搜索方法也可以显著提高算法 的搜索速度和效率。这些改进方案为AFSA在实际应用中的广泛应用提供了有力的 支持。
感谢观看
3、引入学习因子
在AFSO算法中，每个鱼会根据自身经验和群体行为来调整自己的方向和位置。 然而，这个学习因子通常是固定的。为了提高算法的收敛速度和精度，我们引入 了可变的学习因子。即根据算法的迭代次数和当前的最优解，动态地调整学习因 子的大小。
人工鱼群算法ppt全
XX大学
汇报人：XX
目录
Here is your Content
>
1 引言
2 鱼群模式概论
3 鱼群算法的寻优原理
4 鱼群算法的实现
5 算法的收敛性分析
6 总结
>
LOGO
1
引言
在自然界中，多样的物种共同生活在一起，通过漫长的自然界的优胜劣汰，形成 了各自的觅食和生存方式。但是动物一般不具有人类复杂的逻辑思维和判断能力 的高级智能，它们只具有简单的行为能力，这些为人类解决问题的思路带来了不 少启发和鼓舞。动物行为具有以下的特点:
设人工鱼当前状态为Xi，探索当前邻域内的伙伴数目nf及中心位置Xc。
若 Yc / n f Y，i 表明伙伴中心有较多食物且不太拥挤，则朝伙伴的中心位置方向前进
一步，即
X t 1 i
Xti
Xc
X
t i
Xc Xti
Step Rand
否则，执行觅食行为。
追尾行为
• 追尾行为
鱼群在游动过程中，当其中一条鱼或几条鱼发现食物时，其邻近的伙伴会尾随
XV X XV X
Step Rand
其中Rand()函数为产生0到1之间的随机数；Step为步长
参数系统
人工鱼个体的状态可表示为向量
，其中
为欲
X寻 为V 优 目 X的 标变 函Vis量 数ua； 值l 人 ；Ra工 人nd鱼 工 当 鱼前 个所 体在 之位间置的的距食离物表浓示度为表示为
觅食行为
聚群行为
追尾行为
随机行为
鱼群算法在对以上四种行为进行评价后,自动选择合适的行为,从而形成了一种高 效快速的寻优策略。
汽轮机振动故障诊断技术研究
汽轮机振动故障诊断技术研究摘要：对汽轮机典型的振动类型和振动故障的诊断技术进行了研究。
根据故障诊断方法在信号处理与理论模型的不同，将诊断技术分为，基于信号处理的诊断方法、基于知识的诊断方法、基于解析模型的诊断方法、基于离散事件的诊断方法。
研究表明，基于各种故障诊断方法在检测信号、知识获取、识别故障位置及适用条件等均有不同的优势和侧重。
关键词：汽轮机故障诊断小波神经网络1、引言二十世纪以来，随着工业生产和科学技术的发展，机械故障的可靠性、可用性、可维护性与安全性问题日益突出，从而促进了人们对机械设备故障机理及诊断技术的研究汽轮机是电力生产的重要设备，由于其结构的复杂性和运行环的特殊性，汽轮机的故障率较高，而却故障危害也很大。
汽轮发电机组常见的机械振动故障有：转子不平衡、转子弯曲、转子不对中、油膜振荡、碰摩、转子横向裂纹和转子支承系统松动等。
汽轮机振动故障的汽轮机最常见的故障，因此，汽轮机的振动故障诊断一直是故障诊断技术应用中非常重要的部分。
2、基于信号处理的振动故障诊断方法信息的采集和处理是实现机组振动检测与故障诊断中的一个基本环节、也是振动检测软件的核心技术。
现代信息分析主要包括两种形式：一种是以计算机为核心的专用数字式信号处理仪器，另一种是采用通用计算软件来进行信号分析的方式。
2.1小波变换方法这是一种新的信号处理方法，是一种时间—尺度分析方法，具有多分辨率分析的特点。
利用小波变换可以检测信号的奇异性。
因噪声的小波变换的模的极大值随着尺度的增大而迅速衰减，而小波变换在突变点的模的极大值随着尺度的增大而增大(或由于噪声的影响而缓慢衰减)，即噪声的lipschitz指数处处小于零，而在信号突变点的lipschitz指数大于零(或由于噪声的影响而等于模很小的负数)，所以可以用连续小波变换区分信号突变和噪声。
同样，离散小波变换可以检测随机信号频率的突变。
孙燕平等应用了小波分析理论，采用多分辨分析和小波分解等基本思想对汽轮机转子振动信号进行了分析，针对振动信号的弱信号特征，提出了基于离散小波细化频率区间，小波分解后进行能量谱分析和小波变换结合傅立业变换分析法，并将其应用于模拟转子试验台上。