基于BP神经网络的燃气轮机冷热部件故障诊断

为解决燃气轮机故障诊断中可测参数难以直接反映机组故障状态的问题,在分析燃气轮机冷热部件组成和故障判据的基础上,提出利用小偏差方程建立并求解燃气轮机故障数学模型,并结合故障判据寻找可测参数与性能参数的关系,确立从可测参数到性能参数,再到故障原因的诊断思路。另外,将BP神经网络作为故障诊断工具,通过向网络中输入8个机组可测参数来实现智能故障诊断,为燃气轮机的快速精确诊断提供了可参考的思路和方法。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

基于神经网络的燃气轮机可靠性预计研究

本文根据采集的实际运行数据,利用神经网络的较好的高度非线性映射性能,通过对BP网络和RBF网络的优化设计,来预计各型燃气轮机实际运行中的可靠度。通过算法实现和结果的对比分析,结果表明：BP网络和RBF网络都能够解决高度非线性问题,但在训练时间和精度上,RBF网络显示出更为优良的逼近能力。神经网络方法为燃气轮机的可靠性预计提供了有力的工具。     

基于CNN-LSTM的燃气轮机NOx排放预测研究

为了建立精准的NO_x预测模型,解决燃气轮机电站存在NO_x超标排放的问题,提出一种基于卷积神经网络(Convolutional Neural Network, CNN)和长短期记忆神经网络(Long Short-term Memory, LSTM)组合模型的NO_x排放预测方法。将NO_x排放历史数据和燃气轮机燃烧的状态参数通过滑动窗口法构建成特征图格式输入到CNN中,利用其卷积层和池化层提取表征NO_x动态变化的特征向量,并转化为时间序列格式输入到LSTM中进一步挖掘内部规律,从而实现NO_x的排放预测。以某三菱燃气轮机的历史运行数据进行试验。结果表明:CNN-LSTM的相对均方误差e_(RMSE)为1.811 mg/m~3,并通过与PCA-BP,PCA-RNN和PCA-LSTM模型进行比较,验证了方法的可行性。     

基于BP神经网络的工业锅炉房负荷预测

针对工业锅炉房日负荷变化的特点,采用BP人工神经网络模型对热负荷进行预测。在建立模型时,考虑不同小时的热负荷差异,采用24个单输出的BP网络来分别预测每天24h负荷值;利用MATLAB神经网络工具箱NNT(Neural Network Toolbox)分别实现对24个BP网络预测模型的构建及算法改进;最后,应用一个实例对建立的预测模型和实现方法进行了仿真分析,结果证明,该负荷预测模型网络结构小、收敛速度快、预测精度高、具有较高的实用价值。     

基于Kohonen神经网络的燃气轮机故障诊断

针对基于热力参数的燃气轮机8种典型常见故障,根据Kohonen神经网络诊断的工作原理、诊断特征,研究了基于Kohonen神经网络方法在燃气轮机故障诊断中的应用方法,得出了Kohonen模型具有自学习功能,运算速度快,类型识别能力强的优点,是一种适合于燃气轮机分类故障较好的具有特色的神经网络。     

基于神经网络的燃气轮机动态过程仿真

燃气轮机数字仿真具有高性能价格比,高仿真精度等优点。但以往的建模方法难以同时满足燃气轮机仿真精度和实时性的要求。本文对大样本空间的神经网络构造及网络学习加速方法进行了大量探索及新的有益尝试,并成功将神经网络技术引入燃气轮机仿真构造新的仿真模型,不仅获得了更高的仿真精度,而且保持了系统原有的光滑性,能满足系统仿真实时性的要求。     

基于KG-BP神经网络在秦淮河洪水水位预测中的应用

为了提高BP神经网络模型的预测精度,提出了一种基于KNN算法及GA算法优化的BP神经网络的水位预测方法(KG-BP),即通过KNN邻近算法从全样本数据中剔除与待测点相关度较低的样本集,并允许保留K个"优质"训练数据集;将筛选出的"优质"训练数据集代入GA算法中实现初始权阈值的优化;再将"优质"的样本和初始权阈值代入BP模型中进行训练。将该预测方法应用于东山站水位实际预测中,并与BP模型、GA-BP模型的预测结果进行对比分析,验证了KG-BP模型具有较高的预测精度。     

基于花朵授粉算法和BP神经网络的短期负荷预测

为了提高短期电力负荷预测的准确性,降低因预测精度不高带来的电能损失,提出将花朵授粉算法（flower pollination algorithm,FPA）与BP神经网络相结合,利用FPA算法具有收敛速度快、全局搜索能力强的特点,对BP神经网络的权值和阈值进行优化,改善传统BP神经网络因权值和阈值的选择具有随机性而陷入局部最优和收敛速度慢的缺点。最后,通过某地区实际负荷数据验证了优化后的BP神经网络的预测精度得到了提高。     

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。     

基于粒子群优化神经网络的煤炭成浆浓度的预测

利用一种可以避免搜索陷人局部极值的粒子群算法对BP神经网络进行了改进,并利用粒子群神经网络对不同制浆煤种的成浆浓度进行预测,并建立了考虑七因子影响因素后的煤炭成浆浓度的神经网络预测模型。结果表明,粒子群优化神经网络模型能够迅速而精确地预测不同制浆煤种的成浆浓度,误差只有0．18％。同时验证了选取七因子神经网络的合理性。     

基于BP神经网络的空调负荷预测

本文以城建国际大厦冷源系统的检测数据为依据,利用BP神经网络,建立了空调负荷预测模型,并取得了较好的结果。文章进一步分析了可能存在的误差及提高预测精度的方法。     

基于果蝇优化算法的GRNN模型在边坡稳定预测中的应用

鉴于边坡系统是一个复杂的多因素影响的非线性系统,综合考虑边坡的物理状态和环境因素,采用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)预测边坡的稳定状态,并与BP神经网络预测模型结果进行比较。结果表明,FOAGRNN预测的精度较高,基本反映了边坡稳定的真实状态。     

基于果蝇优化算法的GRNN水电机组状态趋势预测

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（MSE）对比结果表明,FOAGRNN预测精度较高。     

基于BP神经网络模型的阿克苏市城市需水量预测

科学地预测城市需水量对城市的发展具有十分重要的意义.采用BP人工神经网络方法对阿克苏城市需水量进行预测,取得满意的效果,论证此种预测方法的可行性和有效性.     

基于数据和神经网络的燃气轮机NOx排放预测与优化

基于大量运行数据,采用神经网络对燃气轮机NOx排放及燃烧稳定性参数进行建模,针对影响燃烧性能的参数进行了敏感性分析,确定其大小及正负相关性,并据此对实际工况点参数进行调整,将模型预测结果与物理规律定性分析结果进行对比.结果表明:模型的预测结果与基于机理的定性分析结果基本一致,即NOx质量浓度随燃料质量流量的增加而升高,...     

基于Sine-SSA-BP神经网络模型的风机叶根载荷预测

针对风机叶根载荷影响因素复杂、计算量大、非线性和强耦合,采用传统数理分析方法难以建模的问题。文章首先分析了叶根载荷的主要影响因素,并结合多元回归模型建立载荷预测模型;然后采用Bladed对2MW风机实验所得仿真数据划分训练数据集和测试数据集,并利用所得数据对Sine混沌映射改进麻雀算法优化的BP神经网络（Sine-SSA-BP）预测模型进行训练,使用训练后的模型进行叶根载荷预测;最后将预测结果与测试数据、BP神经网络预测模型和极限学习机（ELM）预测模型的预测结果进行对比分析。结果表明,Sine-SSA-BP预测模型性能更佳,预测精度更高,验证了所提方法的可行性和有效性。     

基于RBF-BP组合神经网络的地震预测研究

针对地震预测中预测因子高度非线性、训练样本数量有限及分布不均匀的问题,提出采用RBF-BP组合人工神经网络对地震预测因子样本进行建模和预测,并用RBF神经网络初步训练预测因子样本,将训练结果输入BP神经网络,根据期望输出值加强训练.实例分析表明,该预测方法可行并能有效提高地震预测精度.     

基于小波神经网络的光伏系统发电量预测

针对光伏系统发电量的影响因素,建立具有超强泛化能力的小波神经网络短期发电量预测模型。以相同日类型条件下的光伏系统发电量、环境温度、光板温度、相对湿度的历史数据作为样本,对模型进行训练和发电量预测。通过小波神经网络模型和BP神经网络模型预测结果的对比分析表明:小波神经网络模型训练次数少,收敛速度快,预测精度高。