变风量空调系统的模糊神经网络预测控制

针对变风量中央空调系统具有多变量、大滞后和非线性的系统特性及常规控制算法系统响应慢、控制精度不高等问题,提出了模糊神经网络预测控制策略.该方法将模糊神经网络控制与预测控制技术相结合,建立了模糊神经网络与预测控制结合的复合控制器模型,通过优化变风量控制方式,有效地实现了中央空调系统的预测控制.结果表明,该控制方法能使系统具有良好的动态性能和稳态性能,控制精度高,节能效果显著,具有广泛的应用前景.     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

预测控制在中央空调净化系统中的应用

针对常规PID控制在非线性、大惯性系统中存在滞后、精度低等弱点,构建了神经网络与预测算法相结合的控制系统.采用预控算法,充分利用预测控制的滚动优化和反馈校正的特性,采用神经网络建立系统的动态模型作为预测控制器的预测模型,实现了对大滞后系统的自适应控制,具有实时控制和预测性能,有效地提高了控制精度和可靠性,增强了稳定性.现场运行结果表明,在空气净化器系统中使用该方法效果良好,易于推广.     

基于WOA优化Elman神经网络的露天矿边坡位移预测

露天矿边坡变形、失稳严重威胁矿山安全生产。为提高露天矿边坡变形预测精度及可靠性,采用鲸鱼算法(WOA)优化Elman神经网络的预测模型,对露天矿边坡位移进行预测。根据Elman神经网络的特点,通过优选输入层节点数、隐含层节点数、传递函数参数,构建最优的Elman神经网络拓扑结构,并通过WOA优化Elman神经网络的权重和阈值,增强Elman神经网络的训练速度及全局寻优能力。以抚顺西露天矿边坡监测数据为例,利用该预测模型进行动态预测,并与经典的BP、Elman神经网络进行比较。结果表明：WOA-Elman模型预测结果的最大相对误差和平均绝对误差分别为0.018%和0.146 mm,模型收敛速度快,稳定性强,为矿区边坡变形预测提供了一种有效途径。     

基于IABC-Elman神经网络的电厂耗煤量短期预测

针对电厂耗煤量具有不确定性的特点及传统Elman神经网络利用梯度下降训练网络参数易陷于局部最优的缺点,基于人工蜂群(ABC)算法,提出了一种改进蜜源更新方式和跟随蜂选择引领蜂方式的改进ABC优化算法,结合进煤量、存煤量和发电量,建立了Elman神经网络电厂耗煤量短期预测模型(IABC-Elman)。实际算例表明,基于IABC-Elman电厂耗煤量短期预测模型结果能达到耗煤量短期预测的标准,与传统神经网络相比具有更高的预测精度。     

基于小波和神经网络的供热负荷预测

目的研究供热系统热负荷预测方法,使供热量及时跟随用户需热量进行控制.方法通过分析供热负荷特性及其变化规律,用小波包变换对热负荷序列进行分解,再结合Elman神经网络分别对各序列建立模型,进行单步预测,最后重构各序列,得出热负荷预测序列.结果仿真试验表明,与未采用小波分析的BP、Elman神经网络相比,该方法预测精度较高,跟踪能力强.结论基于小波和神经网络的供热负荷预测方法能较好地跟踪预测用热量,适合于短期供热负荷预测的应用.     

中央空调变频节能技术改造综述

介绍了中央空调变频技术改造的意义、原理、优点及改造注意事项。     

基于BP神经网络模型的温度预测方法

车间里特定高温环境下对多点的温度监测数据是风机是否工作的重要参数。为了能更好地保护风机,提出一种基于BP神经网络来分析预测温度变化趋势的方法,达到了减少风机工作时间,延长风机寿命的效果。     

某商住楼中央空调系统的节能措施

简要分析了中央空调在实际应用中的能耗问题 ,并结合实际工作从技术与管理方面 ,提出了对中央空调实施节能的一些措施 .     

基于PSO-Elman神经网络的电力系统短期负荷预测模型研究

提出了基于粒子群优化算法—Elman神经网络的电力系统短期负荷预测模型,采用具有动态递归性能的Elman神经网络,可增强负荷预测模型的联想和泛化推理能力,保证负荷预测的精度。采用粒子群优化算法对Elman神经网络进行学习训练,可充分利用粒子群优化算法的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。通过对地区电网负荷系统的实例仿真证实了所提出方法的有效性,获得了较满意的预测精度,平均绝对误差和最大相对误差分别达到1.988%和4.673%。为该模型用于实际工程取得了有效的进展。     

中央空调冷冻水系统设备节能优化方法

针对中央空调冷冻水系统运行能耗高、系统设备参数难以随负荷变化而动态调节的问题,采用一种结合穷举法的自适应并行人工免疫算法(Adaptive parallel artificial immune algorithm combined with exhaustive method, EM-APAIA)优化系统设备在不同负荷下的运行参数,以降低冷冻水系统的运行能耗。首先建立了系统内各设备的功耗模型,以所有设备功耗最小作为冷冻水系统的优化控制目标。其次,采用EM-APAIA对冷冻水供水温度、冷冻水泵的运行台数和转速比等运行参数进行优化。在该算法中,对初始化方式、移民算子和变异概率进行了改进以及引进穷举法机制,增强了算法对冷冻水系统设备运行参数的优化能力。最后对某一实际中央空调冷冻水系统进行了仿真实验。结果表明：与常规设置相比,使用EM-APAIA对系统内各设备运行参数优化后,系统总能耗降低14.8%;同时相对于其他对比算法,该算法能得到更好的控制策略,且收敛速度快、稳定性强,可用于中央空调冷冻水系统内各设备的控制优化。     

基于新型CMAC神经网络的复杂系统控制

首先基于离散泰勒级数设计了一种可实现对任意阶多维函数无差逼近的新型CMAC神经网络,给出了其插值算法及训练算法。该系统相对于传统的CMAC神经网络具有学习精度高、收敛速度快、所需内存单元少等优点。并基于新型CMAC神经网络设计了一种复杂系统的高性能实时控制策略。该方案不依赖于系统的数学模型,具有较强的鲁棒性和通用性,仿真结果表明了该方案的可行性与有效性。     

一种基于神经网络的干扰抑制系统

为抑制扩频系统中的干扰信号,提出变换域信息信号识别(TDISI)干扰抑制系统,其中采用了扩展BP神经网络(EBPNN).TDISI首先利用快速傅立叶变换(FFT)将输入信号映射到变换域,提高系统收敛速度;然后通过EBPNN对变换系数进行信息信号的自适应识别,其具有复杂度低、鲁棒性好的特点.理论分析得到采用TDISI后接收信号的干信比(ISR)抑制量、信噪比(SNR)损失量和误码率(BER)的数学表达式.仿真结果表明:在干扰信号相同的情况下,此系统的干信比抑制量较2种现有系统分别提高29.9%和8.9%,信噪比损失量分别降低了54.3%和21.2%.     

基于模糊神经网络的非线性系统预测函数控制研究

针对预测函数控制难以很好地实现非线性系统控制的问题,将模糊神经网络与预测函数控制相结合,设计一种基于模糊神经网络的非线性系统的预测函数控制器。用模糊神经网络辨识非线性系统的模型,辨识结果送到预测函数控制中,从而得到预测模型,最终得到最优的控制量。通过Matlab计算机仿真,可以看出此控制器对于非线性系统具有良好的控制效果和鲁棒性。     

基于BP神经网络的单层钢筋混凝土柱工业厂房震害预测

将人工神经网络理论应用于等高单层钢筋混凝土柱工业厂房的震害预测.在分析震害特点的基础上,将震害影响因子分为精确性和规律性两大类,提出以地震反应指标、天窗类型、支撑情况、建筑材料作为主要的影响因子,并给出了相应的量化取值范围,然后将震害等级作为输出结果,构造了震害预测的BP人工神经网络.通过对52个实际震害实例的检验,网络的准确率超过80%.计算结果证明了该人工神经网络的有效性.     

基于神经网络模型的拱泥机器人控制

拱泥机器人是为打捞沉船的关键工序—水下攻打千斤洞而设计的特种机器人.分析了拱泥机器人在水下泥土环境中受力情况,建立了基于MATLAB的拱泥机器人头部的动力学模型.针对拱泥机器人工作环境的不确定性,将传统PID控制与神经网络相结合,建立了一种应用BP神经网络实现PID参数自整定的自适应PID控制模型.控制器由PID控制器、神经网络NNC和NNI组成.神经网络NNC能够根据拱泥机器人动态特性的变化,自动整定PID参数,从而改善了控制性能.神经网络NNI为NNC提供学习的梯度信息.计算机仿真结果表明该方法是有效的.     

基于自校正神经网络的预测控制系统设计

为改善数控线切割加工过程伺服控制性能,提出了一种基于自校正神经网络预测控制系统总体结构,建立了用于离线训练控制器的对象模型以及可以进行多步前向预测的预测模型,设计了基于预测模型提供的梯度信息进行学习训练的神经网络控制器.以数控线切割机床加工过程控制为研究对象,对该系统进行了计算机仿真并进行了结果分析,结果表明本文所提出的基于自校正神经网络预测控制系统具有较好的控制效果.     

基于BP神经网络整定的PID温度控制

展示了一种基于BP神经网络的PID控制器,利用神经网络的自学习特性,将神经网络与PID控制方法相结合,采用3层前向网络,动态BP算法,实现对温度控制系统的在线智能控制,显示了BP神经网络PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的能力．仿真结果表明,此种PID在温度控制中能够取得较满意的效果．     

Predication of plasma concentration of remifentanil based on Elman neural network

Due to the nature of ultra-short-acting opioid remifentanil of high time-varying, complex compartment model and low-accuracy of plasma concentration prediction, the traditional estimation method of population pharmacokinetics parameters, nonlinear mixed effects model （NONMEM）, has the abuses of tedious work and plenty of man-made jamming factors. The Elman feedback neural network was built. The relationships between the patients＇ plasma concentration of remifentanil and time, patient＇ age, gender, lean body mass, height, body surface area, sampling time, total dose, and injection rate through network training were obtained to predict the plasma concentration of remifentanil, and after that, it was compared with the results of NONMEM algorithm. In conclusion, the average error of Elman network is -6.34%, while that of NONMEM is 18.99%. The absolute average error of Elman network is 27.07%, while that of NONMEM is 38.09%. The experimental results indicate that Elman neural network could predict the plasma concentration of remifentanil rapidly and stably, with high accuracy and low error. For the characteristics of simple principle and fast computing speed, this method is suitable to data analysis of short-acting anesthesia drug population pharmacokinetic and pharmacodynamics.