基于果蝇优化算法的GRNN水电机组状态趋势预测

被引：10

作者：

田源 ^{[1
,2
]}

张彼德 ^{[1
]}

刘代伟 ^{[1
]}

汪凤 ^{[1
]}

吴华丰 ^{[2
]}

陈笑 ^{[2
]}

师鹏 ^{[2
]}

机构：

[1] 西华大学电气信息学院

[2] 国电四川电力股份有限公司南桠河发电厂

来源：

水电能源科学 | 2012年 / 30卷 / 12期

关键词：

水电机组; 果蝇优化算法; 趋势预测; 广义回归神经网络;

D O I：

暂无

中图分类号：

TV734.21 [];

学科分类号：

摘要：

针对水电机组振动的非线性、非平稳特性,提出了一种基于果蝇优化算法(FOA)的广义回归神经网络(GRNN)模型(FOAGRNN),实现了GRNN分布参数的优化选择,并对四川省新政航电工程3台机组5个不同部位的振动序列峰峰值进行了预测,与BP神经网络预测结果的均方误差(MSE)对比结果表明,FOAGRNN预测精度较高。

引用

页码：127 / 129+89 +89

页数：4

共 9 条

[1] Modeling and monitoring of batch processes usingprincipal component analysis (PCA)assisted generalized re-gression neural networks (GRNN). Savita G Kulkarni,Amit Kumar Chaudhary,SomnathNandi. Biochemical Engi-neering Journal . 2004
[2] 基于人工神经网络的水轮发电机组振动预测研究
张飞
潘罗平
[J]. 人民长江, 2011, (13) : 48 - 50+106
[3] Practical method for determining the minimum embedding dimension of a scalar time series. Cao Liangyue. Physica D Nonlinear Phenomena . 1997
[4] GRNN与统计模型在海堤渗压监测中的应用比较
黄铭
刘俊
[J]. 水电能源科学, 2009, 27 (03) : 134 - 136
[5] 基于神经网络的水电站厂房结构振动响应预测
苗宗伟
马震岳
王溢波
职保平
[J]. 水电能源科学, 2010, 28 (08) : 88 - 90
[6] 月降水序列混沌特性识别及预测
金云翔
余华
刘鹏
[J]. 水电能源科学, 2008, (05) : 10 - 12+9
[7] Practical method for determining the minimum embedding dimension of a scalar time series[J] . Liangyue Cao. &nbspPhysica D: Nonlinear Phenomena . 1997 (1)
[8] A new fruit fly optimization algorithm:takingthe financial distress model as an example. PAN Wen-tsao. Knowledge Based Systems . 2012
[9] Modelling public transport trips by radial basis function neural networks. Hilmi Berk Celikoglua,Hikmet Kerem Cigizoglu. Mathematical and Computer Modelling . 2007

← 1 →