针对热力系统参数运行数据预测困难、准确率低的问题,基于灰狼算法(Grey Wolf Optimizer,GWO)、变分模态分解(Variational Mode Decomposition,VMD)、长短期记忆模型(Long Short Term Memory,LSTM)提出一种单参数时序预测方法。首先,使...针对热力系统参数运行数据预测困难、准确率低的问题,基于灰狼算法(Grey Wolf Optimizer,GWO)、变分模态分解(Variational Mode Decomposition,VMD)、长短期记忆模型(Long Short Term Memory,LSTM)提出一种单参数时序预测方法。首先,使用改进适应度函数的GWO对VMD的分解层数和惩罚系数进行寻优;其次,以最优参数对运行数据进行VMD,并将筛选出的本征模态函数(intrinsic mode function,IMF)分量作为原始数据趋势项;最后,以此运行参数趋势项作为LSTM的训练集输入特征向量,构建LSTM,LSTM超参数由北方苍鹰算法(Northern Goshawk Optimization,NGO)得到。经实际案例验证,该方法可以通过降低原始数据的噪声和扰动对LSTM的影响,增加LSTM对热力参数运行趋势的可预测时间长度和预测精度,相较于传统的LSTM,所提方法的有效预测时间长度增加约176%、预测精度提高约158%。展开更多
针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法。首先,设计一种基于正弦函数的非线性过渡参...针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法。首先,设计一种基于正弦函数的非线性过渡参数策略替代原灰狼优化算法中的线性递减策略,以实现算法从勘探到开发的良好过渡;其次,利用个体自身历史最佳位置和决策层个体共同引导群体进行搜索,以加速算法收敛速度和提高寻优精度;然后,在当前最优灰狼个体上引入小孔成像学习策略产生新的候选个体,以降低算法陷入局部最优的概率。选取6个基准测试函数进行数值实验。结果表明:改进算法在求解精度和收敛速度指标上均优于其他比较算法。最后,将改进算法用于求解特征选择问题,对10个基准数据集的仿真结果表明,改进算法能有效地提高分类精度和选择最优特征。展开更多
文摘针对热力系统参数运行数据预测困难、准确率低的问题,基于灰狼算法(Grey Wolf Optimizer,GWO)、变分模态分解(Variational Mode Decomposition,VMD)、长短期记忆模型(Long Short Term Memory,LSTM)提出一种单参数时序预测方法。首先,使用改进适应度函数的GWO对VMD的分解层数和惩罚系数进行寻优;其次,以最优参数对运行数据进行VMD,并将筛选出的本征模态函数(intrinsic mode function,IMF)分量作为原始数据趋势项;最后,以此运行参数趋势项作为LSTM的训练集输入特征向量,构建LSTM,LSTM超参数由北方苍鹰算法(Northern Goshawk Optimization,NGO)得到。经实际案例验证,该方法可以通过降低原始数据的噪声和扰动对LSTM的影响,增加LSTM对热力参数运行趋势的可预测时间长度和预测精度,相较于传统的LSTM,所提方法的有效预测时间长度增加约176%、预测精度提高约158%。
文摘针对基本灰狼优化算法(grey wolf optimizer,GWO)在求解复杂优化问题时存在解精度低、探索与开发能力不平衡、收敛速度慢和易陷入局部最优的缺点,提出一种基于多策略融合的改进灰狼优化算法。首先,设计一种基于正弦函数的非线性过渡参数策略替代原灰狼优化算法中的线性递减策略,以实现算法从勘探到开发的良好过渡;其次,利用个体自身历史最佳位置和决策层个体共同引导群体进行搜索,以加速算法收敛速度和提高寻优精度;然后,在当前最优灰狼个体上引入小孔成像学习策略产生新的候选个体,以降低算法陷入局部最优的概率。选取6个基准测试函数进行数值实验。结果表明:改进算法在求解精度和收敛速度指标上均优于其他比较算法。最后,将改进算法用于求解特征选择问题,对10个基准数据集的仿真结果表明,改进算法能有效地提高分类精度和选择最优特征。
