基于粒子群模糊神经网络的短期电力负荷预测

为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将粒子群算法和BP算法相结合的短期负荷预测方法。用粒子群算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测。在构建网络模型时,考虑了气候、温度等因素的影响,并把它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

风电场输出功率预测中两种神经网络算法的研究

神经网络是风电功率预测系统中应用最广泛的方法,而其训练算法是影响预测精度的重要因素之一。探讨了采用聚类法和正交最小二乘算法两种训练方法。以中国北方某风电场的实际数据以及数值天气预报数据为依据,对RBF聚类法和正交最小二乘算法进行了验证,最终研究并比较RBF不同预测情况与BP的差异。结果表明:对于提前24h的风电功率预测,RBF神经网络模型预测精度要好于BP神经网络模型,尤其以正交最小二乘算法为训练方法建立的RBF模型,预测精度较高,能够很好拟合实际功率曲线。     

灰色BP神经网络模型的优化及负荷预测

为了提高样本数据较少情况下中长期负荷预测的预测精度,分析了传统GM（1,1）预测模型的缺点,提出了一种适用于中长期负荷预测的GM（1,1）优化建模方法。用一个与GM（1,1）模型的时间响应式具有相同形式的连续函数,拟合灰色系统的原始离散数据,将连续函数映射到神经网络,构建了GM（1,1）模型的灰参数与BP网络权值的对应关系。用已知负荷作为训练样本,利用BP算法对网络进行优化,当网络收敛时,提取优化的灰参数,实现了应用GM（1,1）模型对中长期负荷预测的优化建模。算例分析结果表明该方法是可行且有效的。     

考虑气象因素的PCA-BP神经网络短期负荷预测

为有效提高电力系统短期负荷预测精度及效率,提出一种基于主成分分析的BP神经网络短期负荷预测优化算法。利用主成分分析法将多个原始变量降维成少数彼此独立的变量作为输入,并根据各主成分的贡献率来确定网络的结构,有效解决BP网络预测精度与效率不高问题。在考虑气象因素的影响下通过对某地区历史负荷数据进行训练仿真,平均预测精度接近98%,预测程序运行效率提高两倍以上,仿真结果表明,该模型在效率和预测精度方面优于BP神经网络模型。     

D-S证据理论融合改进BP网络的短期负荷预测研究

针对传统BP网络收敛速度较慢且实时性较差的缺点,在考虑了气候因素的情况下,分别用三种BP网络算法对某地区的负荷进行预测,通过对预测误差的分析,用证据理论的Dempster合成法则对算法进行融合,通过选取待预测日之前几天的数据作为融合样本,规定相应的基本信度函数,得到融合后的信度分配,从而决定相应时刻的预测模型,仿真结果表明,经过证据理论融合后选择的负荷预测算法具有更高的预测精度。     

D-S证据理论融合改进BP网络的短期负荷预测研究

针对传统BP网络收敛速度较慢且实时性较差的缺点,在考虑了气候因素的情况下,分别用三种BP网络算法对某地区的负荷进行预测,通过对预测误差的分析,用证据理论的Dempster合成法则对算法进行融合,通过选取待预测日之前几天的数据作为融合样本,规定相应的基本信度函数,得到融合后的信度分配,从而决定相应时刻的预测模型,仿真结果表明,经过证据理论融合后选择的负荷预测算法具有更高的预测精度.     

小水电站流域径流量的评估方法

现今对于河流径流量的预测方法有许多模型,但各种模型都有其优劣,而且预测的精度都有差异。以韶关的南水河作为研究对象,利用南水1978—2015年径流量的数据,分别使用灰色系统理论、基于遗传算法的BP神经网络以及支持向量机3种方法对南水河年径流量预测的模型。结果表明:GA-BP神经网络的预测精度为84.30%,但其拟合精度不高;灰色系统预测以及拟合的精度分别为86.70%和84.24%;用支持向量机对南水河年径流量的预测,无论在拟合精度为95.67%,还是预测精度为99%上,比灰色预测和GA-BP神经网络都要高。因此,支持向量机可以很好地应用在南水河年径流量的预测研究中。     

基于深度学习的超短期光伏精细化预测模型研究

光伏发电系统的超短期功率预测对电网调度的计划安排及光伏发电系统的优化运行具有重要意义。机器学习、人工智能领域的技术进步为精细化分析光伏功率预测影响因素并提高光伏预测精度提供了有效途径。提出一种基于深度结构网络模型的光伏超短期功率预测方法,首先根据光伏发电系统的机理特征,分析深度学习算法处理光伏预测问题的可行性;然后提出基于深度学习算法的光伏功率预测模型,采用基于受限玻尔兹曼机的深度置信网络提取深层特征完成无监督学习过程,采用有监督BP神经网络作为常规拟合层获得预测结果;并立足于实际需求,建立含离线训练和在线预测的双阶段光伏发电预测系统,分析天气信息及历史信息的输入属性;最后利用光伏发电系统的实际运行数据进行仿真,验证算法准确性和有效性,通过比较深度结构是否包含无监督学习过程,说明其在预测中的重要性。     

基于PSO-ICA-BP神经网络的短期风电功率预测

针对传统的BP神经网络对短期风电功率预测精度不高的缺点,提出粒子群算法改进帝国竞争算法(PSO-ICA),通过PSO算法改进殖民地同化操作提高ICA算法的全局寻优能力,输出全局最优解作为BP神经网络初始权值阈值。同时用主成分分析法降维压缩输入数据,提高网络泛化能力。利用PSO-ICA-BP预测模型对某风电场实际风电功率数据进行预测,仿真结果表明该模型预测误差更小,对短期风电功率预测更有效。     

基于 ACO 优化 BP 神经网络的变压器热点温度预测

针对变压器热点温度预测精度问题,提出一种蚁群算法( ant colony algorithm,ACO)结合改进主成分分析法( improved principal component analysis,IPCA)优化 BP 神经网络的热点温度预测模型。 首先采用 IPCA 去除数据冗余信息,并解决参数间 相关性问题,提高网络泛化能力。 为了避免 BP 神经网络容易陷入局部最优和收敛速度慢,利用 ACO 优化网络权值和与阈值, 加快算法速率,提高预测精度。 通过变压器温度实测数据验证,预测结果中的 mae、mse、mape 指标分别为 0. 065 7、0. 006 7、 0. 44%,预测精度和网络性能优于 IEEE、BP、IPCA-BP 模型,从而验证所提模型的有效性和可行性。     

利用改进BP网络的船舶尾气检测精度提升方法

船舶实际工况环境中的尾气浓度排放是排放因子设定的关键因素,是船舶污染监测以及排放清单计算等重要基础。由于受到燃油品质、水含量以及氧气饱和度、燃油实际燃烧情况、柴油机组以及净化设备实际工况等影响,其尾气排放波动较大。采用数据融合思想引入改进BP神经网络对检测结果进行校正,以弥补检测环境中存在多种不确定因素对检测精度的影响。用内河航道船舶实际工况氮氧化物排放数据进行计算机仿真实验及分析,说明了该方法的有效性。     

GA-BP神经网络对SAW压力传感器测量数据的拟合

随着传感技术的不断发展,出现了越来越多以传感器为基础的无线传感检测系统。这些传感系统需要对采集到的数据进行数据分析。因此,传感器的数据分析对于无线传感系统的精确检测起到至关重要的作用。首先对设计的声表面波(surface acoustic wave, SAW)微压力传感器进行实际测量,利用最小二乘法建立数学模型,对测得的频率变化与对应的载荷力之间的关系进行数据拟合分析。随后,构建BP(back propagation)神经网络模型,通过该方法对已采集的数据进行样本训练并对SAW微压力传感器的输入与输出之间的关系进行预测。最后,使用遗传算法(genetic algorithm, GA)对BP神经网络进行优化。结果表明,经过优化后比优化前的BP神经网络误差减少近45%,从而验证了遗传算法能够优化BP神经网络的可行性。该分析方法对声表面波微压力传感器无线传感检测系统的发展提供了重要的研究依据。     

基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。     

基于CAN总线的柴油机故障诊断系统

为了提高柴油机电子控制单元(ECU)的故障诊断与控制能力,将SAE J1939 CAN总线协议应用于ECU网络通信,并将模糊故障诊断算法应用于柴油机故障诊断系统;提出了一种柴油机控制与诊断节点设计方法,并利用LPC2119芯片实现了该节点,获取用于实时诊断和显示的实时运行数据;采用前后台模式进行诊断节点软件设计,对整个软件系统按功能进行了模块化分解;用CANoe对诊断节点、应用软件及通信能力进行了测试.实验表明,诊断节点和诊断模型设计达到了预定要求.柴油机的故障诊断与控制能力得到了有效提高.     

船舶大功率发电机混沌神经网络建模

在分析和研究了Aihara神经元混沌特性的基础上,建立了基于Aihara混沌神经元的Elman局部递归混沌神经网络（CNN）,神经元引入混沌特性后增强了神经网络对非线性映射的全局逼近能力.在船舶大功率同步发电机建模中,以船用柴油机输出转矩功率和发电机输入励磁电流作为CNN建模与辨识的输入参数;以发电机的输出频率、发电机端电压和输出电流作为CNN建模与辨识的输出参数;采用有导师学习方式,运用基于BP的动态训练方法,最终完成了船舶大功率发电机的动态建模.与其它的ANN建模相比较,用CNN建立的模型的隐层神经元数量少,系统的泛化能力强.     

双馈水轮发电机系统的优化调节特性模型

为了研究双馈水轮发电机系统的负荷优化调节性能,结合实例对双馈水轮发电机和常规水轮发电机在相同运行工况下的优化调节特性进行了比较分析,应用一种改进的BP算法--Levenberg-Marquardt反向传播方法建立了水轮机优化调节特性的数学模型,并与其它模型的计算结果进行了比较.计算结果证明了基于改进BP神经网络算法建立的双馈水轮发电机负荷优化调节特性模型的有效性.     

基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。     

基于 BP 神经网络的无人机IMU 多传感器冗余的补偿算法

针对无人机多传感器数据决策时存在的数据可靠性不足以及资源浪费的问题,提出一种基于 BP 神经网络的无人机惯 性测量单元(IMU)多传感器冗余的补偿算法。 将低精度的 IMU 传感器数据输入到 BP 神经网络,利用 BP 神经网络的非线性拟 合能力,补偿低精度 IMU 数据的误差,然后利用基于置信度的数据仲裁算法对多个较高精度数据进行仲裁,输出经过数据融合 后的传感器数据,此过程还可以进行传感器故障判断和定位。 通过改变同类型传感器安装方式解决奇点问题。 实验结果表明, 经过神经网络误差补偿后,误差比原来减小了 55. 2%,比使用卡尔曼滤波算法进行误差补偿后的误差小 53. 9%。 此算法充分发 挥了冗余传感器设计的优势,提高了传感器系统的可靠性。     

基于 BP 神经网络的无人机IMU 多传感器冗余的补偿算法

针对无人机多传感器数据决策时存在的数据可靠性不足以及资源浪费的问题,提出一种基于 BP 神经网络的无人机惯 性测量单元(IMU)多传感器冗余的补偿算法。 将低精度的 IMU 传感器数据输入到 BP 神经网络,利用 BP 神经网络的非线性拟 合能力,补偿低精度 IMU 数据的误差,然后利用基于置信度的数据仲裁算法对多个较高精度数据进行仲裁,输出经过数据融合 后的传感器数据,此过程还可以进行传感器故障判断和定位。 通过改变同类型传感器安装方式解决奇点问题。 实验结果表明, 经过神经网络误差补偿后,误差比原来减小了 55. 2%,比使用卡尔曼滤波算法进行误差补偿后的误差小 53. 9%。 此算法充分发 挥了冗余传感器设计的优势,提高了传感器系统的可靠性。