基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

基于自适应阈值的小波BP神经网络风电变桨系统故障预测

为了提高风能资源的有效利用,提高风电机组运行的可靠性、经济性和安全性,故障预测变得尤为重要。故障预测方法在判断设备隐患、制定合理的风电场运维方案方面具有重要的理论和实际意义。围绕变桨系统故障预测的问题,文章利用小波对机械信号特征敏感的优点,引入自适应阈值函数实现对小波降噪的改进,结合具有自学习能力和并行处理能力强的BP神经网络,建立了自适应阈值的小波BP神经网络故障预测模型。该模型结合了小波分析的技术特点,减少了噪声对预测模型的干扰,模型简洁、易实现。应用该网络预测模型,提前15 d对变桨系统故障预测的准确率达到了92.27%。     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。     

基于非线性自回归神经网络的GHI预测

针对水平面总辐照度(global horizontal irradiation,GHI)短期预测问题,提出一种基于非线性自回归神经网络的短期水平面太阳总辐照度预测模型。首先,提出一种并联结构训练样本,以保证训练样本内部的时间耦合性。其次,通过对9项气象参数共511种组合作为输入的模型预测精度进行分析,确定模型最优输入组合。最后,利用4种典型气象条件下GHI时延神经网络预测模型,非线性自回归动态神经网络预测模型预测标准均方根误差均降低。     

基于多目标优化和误差修正的短期风速预测

提出一种多目标优化、误差修正的短期风速混合预测模型。首先对原始风速数据进行分解,降低序列的非线性,利用一种有效的多目标优化算法优化ELM神经网络,保证预测精度和稳定性。最后采用深度学习网络LSTM对初始预测结果进行误差校正,为克服超参数选取困难,利用乌鸦算法对层神经元数量进行优化。以中国华中某风电场实际数据为例进行分析,结果表明该方法具有较高的预测精度。     

基于IFOA-GRNN的电力系统短期负荷预测

考虑到电网负荷与诸多因素有关,设计了一种带有温度、气象、日期类型的广义回归神经网络（GRNN）负荷预测模型。为了提高该模型的预测精度,提出了一种改进果蝇优化算法优化广义回归神经网络（IFOA-GRNN）的方法,即在利用果蝇优化算法（FOA）进入迭代寻优时,通过改进搜索距离优化该算法的性能和稳定性。利用改进的FOA优化GRNN的光滑参数,然后利用训练好的预测模型对甘肃省某地区进行了短期负荷预测,并与FOA-GRNN和误差反向传播神经网络(BPNN)模型结果进行了误差比较。结果表明, IFOA-GRNN具有较高的预测精度,能够满足电力系统短期负荷预测的要求。     

RBF神经网络在大坝安全监测故障诊断中的应用研究

基于径向基函数神经网络．建立了大坝安全自动化监测的非线性故障自诊断系统。根据系统一步超前预报值与在线实测值的残差逻辑判决．对自动化监测系统的工作性能进行实时诊断。实例结果表明，基于RBF神经网络的大坝安全自动化监测故障自诊断系统能够较好地实现故障的在线诊断和实时隔离。     

基于人工神经网络的回热系统主要故障预测模型

为有效预测回热系统故障,分别基于Traingda、Traincgf和Trainrp算法建立回热系统故障征兆和故障现象的误差反向传播神经网络预测模型,输入层为故障征兆,输出层为故障现象。以某电厂的实测数据对3种预测模型进行训练和测试,训练和测试结果表明:基于Traincgf算法建立的预测模型测试误差最小、收敛速度较快。其模型网络为9-7-9结构,动量因子为0.6,学习速率为0.8。基于Traincgf算法建立的回热系统故障征兆和故障现象的误差反向传播神经网络预测模型可有效通过故障征兆预测回热系统的故障现象,对回热系统的故障检测有一定的参考价值。     

垃圾焚烧烟气中二噁英类浓度的支持向量回归预测

文章利用垃圾焚烧烟气的在线监测数据,探索建立二噁英类浓度与烟气中其他污染物浓度、工况参数的多元回归预测模型,从而实现对烟气中二噁英类浓度的间接实时监测,但受限于二噁英类浓度的监测成本高,可供回归预测训练的样本少的问题,线性回归预测模型的泛化能力较弱、稳定性较差。使用非线性的支持向量回归方法建模,有助于解决这一问题。文章使用3种核函数构建支持向量回归预测模型,应用华南地区某垃圾焚烧厂的10组监测数据作为训练集和测试集,比较了支持向量回归预测和多元线性回归预测的相对误差。研究结果表明,训练集为8组数据时,支持向量回归预测的相对误差明显小于多元线性回归,尤其是模型使用1阶多项式核函数和径向基核函数时的最大百分比误差较小,泛化能力较强。     

采用模糊小波基函数神经网络的控制系统及混合优化算法

提出了一种采用模糊小波基函数神经网络的控制器,该控制器采用小波基函数作为模糊隶属函数,利用神经网络实现模糊推理,并可对隶属函数进行实时调整,从而使控制器具备更强的学习和自适应能力.还提出了控制器参数的混合学习算法,即先采用混沌算法离线优化,再采用BP梯度算法在线调整.对锅炉主蒸汽温度控制的仿真结果表明了此法的可行性和有效性.图3参6     

PEMFC的Elman神经网络建模与模糊神经网络控制

从质子交换膜燃料电池（PEMFC）实际应用的角度出发，采用Elman动态神经网络对PEMFC系统进行建模，以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络，并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度。设计了一种适应模糊神经网络控制器，根据经验确定了初始隶属度函数和模糊规则，并采用自适应学习算法不断调整隶属度函数与模糊规则参数，使控制系统获得理想的输出。仿真实验以Elman神经网络模型为参考模型，使用自适应神经网络控制算法取得了较好的控制效果。总之，所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

GA-BP神经网络在动力配煤煤质和燃烧特性预测中的应用

为了满足动力配煤数字化信息控制系统对配煤煤质和燃烧特性参数在线预测的精度要求,利用GA-BP神经网络建立了动力配煤煤质和燃烧特性预测模型.该预测模型综合学习了各煤质指标内部以及和配比的关系,能够根据各参配煤种的Mad、Vad、Aad、Qnet.ar和对应的配比X,直接预测配煤产品的煤质指标Mad、Vad、Aad、Qne...     

一种基于深度学习的FRS-CLSTM风速预测模型

为了实现高精度的风速预测,提出一种基于深度学习的模糊粗糙集(FRS)-神经网络(CLSTM)风速预测模型,该模型由FRS和CLSTM深度学习模型2部分组成。首先由FRS对自然特性时间序列参数进行属性约简,对庞大的数据集进行数据降维;然后结合风电机组风速软测量理论,优化确定CLSTM深度学习模型的输入参数;最后CLSTM深度学习利用卷积神经网络提取短期的多维度时间变量的依赖关系,利用循环神经网络捕获输入时间序列时间跨度上的长期特性,进而得到最终的预测风速。以某风电场实测数据为例进行仿真测试,结果表明所提出的FRS-CLSTM风速预测方法可有效提高风速的预测精度。     

计及相似日的LSTM光伏出力预测模型研究

为了提高光伏电站输出功率的预测精度，该文构建基于灰色关联度分析法（GRA）和长短期记忆神经网络（LSTM）的光伏发电组合预测模型。在运用GRA方法确定影响光伏出力的主要气象因素和选定待预测日的相似日的基础上，利用相似日的气象参数和实际发电量分别训练BP神经网络和LSTM神经网络，构建基于GRA的光伏出力智能预测模型，并在云南某光伏电站得到很好的应用。对比传统的单一预测模型和BP神经网络与GRA的组合模型，考虑相似日的LSTM预测模型的精度明显提升，可很好地满足相关要求，具有广阔的应用前景。     

基于最优权系数的风电功率组合预测方法

摘要： 风电功率的短期预测对于电力系统的安全稳定运行具有重要意义。提出了一种基于最优权系数的风电功率短期预测组合方法,该方法将ARIMA时间序列、BP神经网络、RBF神经网络和支持向量回归机这4种单一预测模型进行综合,并根据预测误差信息矩阵,以误差平方和最小为原则得到组合预测模型中的最优权系数,以此构成组合预测模型,该模型能够有效地综合各单一预测模型的优势,降低预测风险。仿真实例表明：所提组合预测模型预测精度高,能够方便快速地确定最优权重系数值,降低预测误差。     

基于神经网络方法预测翅片参数对车用中冷器性能的影响

鉴于翅片几何参数对换热器流动传热性能影响的典型非线性特性,采用人工神经网络技术对该问题的可行性进行了研究.利用风洞试验数据作为学习和测试样本,将翅片的高度、节距、扭幅和波长作为输入变量,分别建立了3层反向传播(BP)神经网络和径向基函数(RBF)神经网络,对其进行学习训练与优化后,用来预测波纹翅片几何参数变化对中冷器性能的影响.预测结果表明:BP神经网络预测平均误差在5.5 %以内,满足工程实际需要,可以减少大量的试验工作量;而RBF神经网络预测误差非常大,完全不适用于该问题的研究,并对可能原因进行了分析.     

城市燃气小时负荷预测模型研究

城市燃气小时负荷预测的研究对燃气调度系统的安全与稳定具有重要意义。为了提高城市燃气小时负荷预测精度,在分析讨论主成分分析特性和BP神经网络优缺点的基础上,建立了利用主成分分析法对BP神经网络进行优化的小时负荷预测模型。该模型综合了主成分分析的降维特性和BP神经网络具有强大的自学习和自适应能力等特点,首先通过主成分分析法对所有相关影响因子进行降维处理,再将处理后累计贡献率占比85%以上的几种主成分作为输入层神经元输入BP神经网络进行训练,最后运用该组合模型对某县的小时负荷进行预测。实例分析表明:与单一模型相比,提出的PCA-BPNN组合预测模型精度更高,是一种更为有效的城市燃气小时负荷预测方法。     

基于人工鱼群-径向基神经网络的NOx预测模型

针对燃煤电厂脱硝系统入口NOx质量浓度迟延较大、难以测量的问题,提出了人工鱼群算法(AFSA)优化径向基神经网络(RBFNN)预测模型.利用互信息确定模型输入变量,运用K-近邻互信息算法预估迟延时间;采用具有强泛化能力的RBFNN建立相空间重构的辅助变量和主导变量的预测模型,并运用AFSA确定RBFNN的最优参数组合,克服输入规律不明和参数随机性的影响.最后将AFSA-RBFNN预测模型与RBFNN、PSO-RBFNN预测模型进行对比验证.结果表明:AFSA-RBFNN预测模型的均方根误差、平均绝对百分比误差最小,运行时间最短,表明该模型的泛化能力、预测精度明显优于其他模型,并能够解决粒子群算法的局部收敛和运行时间长的问题.     

基于改进遗传算法优化的小波神经网络短期负荷预测模型

针对传统小波神经网络在电力系统短期负荷预测中存在预测结果的精确度依赖初始网络参数的问题,提出了一种基于改进遗传算法优化的小波神经网络短期负荷预测模型。为了保证神经网络在训练过程中,各个层的权值和阈值按最优方向变化,将遗传算法引入小波神经网络,利用遗传算法寻优能力指导权值和阈值进行优化。将概率分布策略用于遗传算法的种群交叉和变异过程,解决遗传算法在中后期搜索精度差,收敛速度慢等问题。应用结果表明,与基本的小波神经网络的预测模型相比,在只考虑短期负荷历史数据的情况下,通过均方根误差计算比较,基于改进遗传算法优化的小波神经网络短期负荷预测模型具有更高的预测精度。     

基于BP神经网络的混凝土抗硫酸盐侵蚀预测研究

鉴于新拌混凝土流变参数与硫酸盐侵蚀劣化指标之间存在的非线性映射关系,基于新拌混凝土流变参数,利用BP神经网络建立了硫酸盐干湿循环侵蚀后混凝土抗压强度损失率、质量损失率及相对动弹性模量的预测模型,预测了混凝土受硫酸盐侵蚀程度。结果表明,BP神经网络模型预测的硫酸盐侵蚀结果与实测结果吻合较好,且预测误差较小,说明BP神经网络模型对混凝土受硫酸盐侵蚀后的劣化程度具有良好的预测效果。