含风电的电力系统低碳经济调度

含风电场的电力系统调度是一个多目标优化问题。运用机会约束方法,建立了包括低碳化和发电成本两个目标函数的调度模型,在充分考虑环境保护效益的同时,提出了风险成本的概念,使得发电成本更切合工程实际。在改进自适应遗传算法的基础上,引入了pareto最优解集方法,充分发挥了遗传算法的全局搜索能力和pareto求解多目标问题的潜力。通过实际调度案例验证了所提算法的合理性。     

基于遗传算法的前馈神经网络火灾探测

分析了前馈神经网络火灾探测的基本原理;针对ＢＰ算法的缺陷,提出用遗传算法（ＧＡ）和ＢＰ相结合的一种方法,即：ＢＰ－ＧＡ算法;并把ＢＰ－ＧＡ算法用于火灾探测的模拟,结果表明：前馈神经网络是处理火灾信号的良好方法,ＢＰ－ＧＡ算法提高了网络的收剑性。     

机场终端区飞行流量的优化算法研究

为解决繁忙机场飞行终端区的交通拥挤问题,研究了遗传算法在跑道分配和飞机排序中的应用。建立多条跑道多架飞机的数学模型,使用遗传算法仿真计算寻求飞机进场总延迟时间最小的排序方案,并与传统的先到先服务算法进行了对比。结果表明:遗传算法与先到先服务排序相比较,总延迟时间减少了53%,说明了该算法排序结果明显优于先到先服务的排序结果。遗传算法具有全局寻优,且优化效率高的特点,有助于空中交通流量管理优化方案的建立。     

基于分布式应变监测的埋地管道悬空识别方法研究北大核心CSCD

埋地管道在地基缺陷或管道泄漏作用下会产生局部悬空,悬空的发展不仅会威胁管道的安全运行,还会造成地面沉降、塌陷等地质危害。因此,提出一种基于分布式应变监测的埋地管道悬空识别方法。首先布设分布式应变传感器获取管道沿途任意位置纵向应变,然后提取弯曲应变并判断管道悬空状态的出现,再结合管道弯曲应变建立埋地管道有限元模型,最后通过遗传算法对管道有限元模型的土体刚度进行修正,根据修正后的土体刚度变化定量识别管道悬空出现的位置及范围。通过模型试验验证得出识别结果与试验悬空段两侧坡肩位置最大误差不超过0.2 m,反推出的管道应变峰值和挠度与监测结果相差最大分别为84.1με和3.5 mm,其对应的相对误差分别为7.7%和9.2%,试验误差都控制在工程可以接受的范围以内。研究结果表明:本方法可以实时监测管道的工作应力,反推出管道的挠曲变形,准确判断管道悬空的出现,精确识别出管道悬空的范围。本方法对管道运行的结构状态评估和悬空灾害识别都具有非常积极的意义。     

基于自适应遗传小波神经网络的水质评价建模

水环境污染过程的非确定性和非线性,使得传统的水质评价方法存在局限性。为了提高水质评价的准确性,提出了一种基于改进小波神经网络(wavelet neural network,WNN)的水质评价模型。采用自适应遗传算法(adaptive genetic algorithm,AGA)对小波神经网络的初始权值进行优化,再通过小波神经网络算法对网络进行训练,最后对训练好的网络展开测试。仿真结果表明,自适应遗传算法和小波神经网络的结合提高了网络的训练效率,该方法可以用于水质评价建模,并且评价结果具有较高的精度和准确性。     

基于灰色神经网络优化组合模型的火灾预测研究

为了提高火灾事故预测的精度,根据我国火灾事故数据样本较小,波动性较大的特点,将遗传算法优化的灰色无偏预测模型与遗传算法优化的BP神经网络模型结合起来,建立灰色神经网络优化组合模型,充分发挥无偏灰色预测模型适用于小样本的数据预测的优势与BP神经网络处理非线性问题的优点。分别采用遗传算法优化后的无偏灰色GM（1,1）模型、遗传算法优化的BP神经网络预测模型与灰色神经网络优化组合模型对我国1998-2008年的火灾事故进行拟合,并对2009-2011年的火灾事故发生数进行预测。结果表明:灰色神经网络优化组合模型的预测误差最小,精度最高,适用于火灾事故的预测。     

全尾砂絮凝沉降参数GA-SVM优化预测模型研究

为了得到经济、高效的絮凝沉降参数,建立GA_SVM预测模型进行优化选择。在优选过程中,以供砂浓度、絮凝剂单耗和絮凝剂添加浓度作为输入因子,以沉降速度作为综合输出因子,通过室内试验,建立训练、验证样本集;建立支持向量机（SVM）回归预测模型,用训练集对模型进行训练,进而以验证集预测值的均方误差作为适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型对絮凝沉降参数进行预测、优化。以湖南某铅锌银矿为例,通过建立的GA_SVM模型对全尾砂絮凝沉降参数进行预测,优选出该矿最佳絮凝沉降参数为:供砂浓度20%-25%,絮凝剂单耗8g/t,添加浓度009%。经实验对比,该模型对絮凝沉降参数预测结果的相对误差能控制在5%左右,精确度较高,可以作为絮凝沉降参数优选的一种新思路     

基于信息融合与GM的石油罐区安全监控预测模型

近年来,石油罐区安全事故发生频率呈不断上升趋势。为有效增强罐区安全监控预警系统监测数据的可靠性,并实现对事故的早期预警,基于多传感器信息融合技术和灰色模型(GM)理论,建立出石油罐区安全监控预测模型。首先,研究了基于递推最小二乘法改进的最优加权融合算法,并将其作为一级(特征级)融合模型,其次,介绍分析了灰色预测理论及GM(1,1)模型的实现过程,最后建立出基于GA-BP神经网络算法的二级(决策级)数据融合模型,并得到石油罐区安全监控预测模型。     

基于GA-ELM的冲击地压危险性预测研究

为提高冲击地压预测的效率和准确率,在分析冲击地压影响因素的基础上,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的冲击地压预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM冲击地压预测模型。利用某矿冲击地压统计数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、有效地对冲击地压发生的可能性进行预测。