基于改进RBF碟式太阳集热器出口气流温度预测

为了改善传统的数学建模预测集热器出口气流温度较为复杂的问题,采用RBF(径向基函数)神经网络建立温度预测模型。考虑到碟式太阳集热器出口气流温度影响因素较多,在大量历史实验数据基础上,分析其主要影响因素。为提高预测精度,提出一种自适应聚类算法对RBF神经网络进行改进,并利用Kennard-Stone选取方法(简称K-S法)的空间均匀分布原理提高训练样本质量。根据碟式太阳能光热系统的实测数据对所提的模型进行测试,结果表明,改进算法可进一步提高预测精度和效率,验证了改进算法的可行性和有效性。     

应用遗传算法优化BP神经网络预测太阳能PV/T系统热电产出

PV/T集热器系统是一种能够同时提供低品位热能和高品位电能的新型太阳能系统,在光伏发电同时回收光伏余热,降低光伏板温度的同时不仅可以提高发电效率,而且能够将余热收集起来并转化应用于供暖和生活热水系统。本文利用遗传算法优化神经网络的方法建立了太阳能光伏光热(PV/T)系统性能的仿真预测模型,并与单一(Back Propag ation) BP神经网络的预测模型进行了对比分析。仿真预测结果表明：太阳能PV/T系统性能遗传算法优化BP神经网络模型的预测值与实际值拟合度较好,且预测精确度优于单一BP神经网络模型。其中遗传BP神经网络模型预测电效率的平均相对误差为1%,相对误差小于2%的样本占比大于95%;预测蓄热水箱温度的绝对平均误差仅为0.2℃,最大相对误差不超过1%。     

基于不同人工神经网络的CNG发动机排气温度预测模型研究

为了提高CNG发动机排气温度预测精度,基于BP、RBF和GRNN神经网络建立了3种排气温度的预测模型。开展了CNG发动机台架实验,测量了不同工况条件下发动机的排气温度,利用实验值对模型进行训练,并预测了不同发动机转速、空气进气量、点火提前角等条件下的排气温度,将预测值与实验值进行了对比分析,评估了不同预测模型的准确性。结果表明:BP、RBF和GRNN 3种神经网络的误差分别为3.5%、2.8%和3.1%。RBF神经网络的预测误差比BP和GRNN神经网络的误差小,稳定性强,更适合CNG发动机的排气温度预测。     

基于轴承温度的风机齿轮箱故障预警研究

齿轮箱轴承作为能量传递的关键部件,对风机状态评估具有重要意义。文章针对齿轮箱故障,提出了基于改进的粒子群算法(APSO)优化的BP神经网络齿轮箱轴承温度预测模型。首先,基于主成分分析法,选取SCADA系统中影响齿轮箱轴承温度的参数,建立正常状态下的齿轮箱轴承温度预测模型,通过对轴承温度残差值进行分析,得出风机故障告警和报警阈值,从而实现对齿轮箱故障的有效预警;最后,利用华北某风电场的数据进行实验仿真,对比分析粒子群(PSO)优化的BP神经网络预测模型和传统BP神经网络预测模型。结果表明,提出的预测方法拥有精度高、收敛速度快等优点。     

基于灰色BP网络的城市生活垃圾日产量预测模型研究

通过对灰色BP神经网络模型的分析与研究,给出了灰色BP神经网络的建模方法,建立了基于灰色BP神经网络的城市生活垃圾日产量预测模型,通过一组历史数据分别对GM模型和灰色BP神经网络模型进行了验证,得到了灰色BP神经网络的预测效果要比单纯的灰色预测模型精度要高的结论,本模型是研究通过少量数据进行预测的一种新方法。     

基于支持向量回归的PV/T组件温度实时预测

在光伏光热系统中,光伏板的发电效率与PV/T组件温度密切相关。实时、精确地预测PV/T组件温度,对优化控制决策、提高光伏板发电效率具有重要意义。文章利用支持向量回归(SVR)算法建立PV/T组件温度预测模型。为了提高该模型预测结果的精确度,采用网格搜索与交叉验证相结合的方法对SVR核函数参数g和惩罚因子c进行寻优;然后,结合实验平台的测量数据,划分训练集和预测集,并对原始数据进行归一化处理;最后,文章将基于SVR算法温度预测模型的预测结果与BP神经网络的预测结果进行对比。分析结果表明:基于SVR算法温度预测模型的预测值与实测值基本一致,该模型的预测精度和泛化性能均优于BP神经网络的预测结果。     

基于最小二乘支持向量机的煤粉着火温度预测分析

针对关系到锅炉经济安全运行的煤着火温度估计难的问题,采用最小二乘支持向量机方法建立煤粉着火温度的预测模型,并和利用PLS以及BP神经网络等方法建立的预测模型进行对比,结果表明,最小二乘支持向量机克服了BP神经网络泛化能力弱以及PLS无法解决的非线性等问题,采用最小二乘支持向量机方法建立的煤粉着火温度模型具有很高的预测精度.     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

基于CM-AFSA-BP神经网络的土石坝渗流压力预测

针对经典BP神经网络训练效率低、易陷入局部极值等缺点,利用云模型对传统人工鱼群算法(AFSA)进行改进,并采用改进后的云人工鱼群算法(CM-AFSA)对BP神经网络的权值和阈值进行优化,构建基于CM-AFSA-BP神经网络的预测模型。以某土石坝测压管水位为指标,利用CM-AFSA-BP神经网络预测模型对其渗流压力进行预测,并与同结构的经典BP神经网络预测结果进行对比分析。结果表明,CM-AFSA-BP神经网络模型在训练速度和预测精度上明显更优,在土石坝渗流压力预测和分析方面具有较好的适应性。     

基于PSO优化的BP神经网络在电动机绝缘剩余寿命预测中的应用

针对普通的电动机绝缘剩余寿命预测模型收敛速度慢、结果偏差大的缺陷,提出了一种基于粒子群算法(PSO)优化BP神经网络的电动机绝缘剩余寿命预测模型。首先,利用PSO算法全局随机最优解搜索的特性,对传统BP神经网络模型的权值和阈值进行优化设计。其次,为便于预测模型的运算处理,对采集的三相异步电动机的数据进行归一化处理。最后,结合经PSO算法优化的BP神经网络模型对三相异步电动机的绝缘剩余寿命进行试验预测。结果表明,基于PSO优化的BP神经网络比传统BP神经网络有更为精准的预测能力以及更快的收敛速度。     

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。     

基于PSOEM和神经网络的光伏电站功率预测

分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法（PSO）和带扩展记忆粒子群优化算法（PSOEM）这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。     

基于改进神经网络的光伏发电功率短期预测方法研究

针对光伏发电中因多种随机因素引起的输出功率不确定性问题,文章结合思维进化算法和BP神经网络算法建立了光伏发电功率的短期预测模型,模型的输入因子为大气温度、辐照度、风速和历史输出序列。根据季节变化采用4个预测单元对预测模型进行训练和电站出力预测,并通过仿真对所提算法的有效性和准确性进行验证。结果表明,MEA-BP模型能有效降低BP网络模型的预测误差。     

基于BP神经网络的汽车散热器性能研究

利用较新的BP神经网络预测方法,构造了汽车散热器预测模型,对管带式、管芯式汽车散热器进行了预测,预测值和试验值吻合,说明利用BP神经网络方法对汽车散热器性能进行预测,方法是可行的。     

BP神经网络在新浇筑混凝土最高温度预测中的应用

鉴于在坝体混凝土开仓前准确预测新浇筑混凝土最高温度对防止大坝开裂的重要性,基于BP神经网络原理,以混凝土浇筑温度和冷却水管布置方式、通水温度、通水流量及气温、浇筑层厚度、混凝土龄期7个因素作为输入层,以实测混凝土浇筑仓内最高温度为输出层,利用Matlab神经网络工具箱,建立了新浇筑混凝土最高温度的BP神经网络预测模型,并通过实例对模型进行了验证分析。结果表明,冬季、夏季浇筑仓内混凝土最高温度的预测值和实测值之间的误差均约为0.5 ℃,二者吻合较好,可见该模型满足实际工程要求,也说明了BP神经网络在预测新浇筑混凝土最高温度方面具有可行性和实用性。     

基于粒子群优化算法优化BP神经网络模型的间接空冷散热器性能监测

为监测间接空冷散热器的换热性能,提出了监测间接空冷塔出水温度的方法。根据间接空冷系统散热器传热量计算和热平衡方程,分析了间接空冷塔出水温度的影响因素,建立了以环境温度、环境风速、大气压力、间接空冷塔循环水进水温度、循环水进水压力、出水压力和百叶窗开度7个主要参数为输入,出水温度为输出的BP神经网络模型。为避免该模型陷入局部最优,采用非线性动态惯性权重的粒子群优化(PSO)算法对BP神经网络模型的初始权值和阈值进行了优化,构建了PSO-BP神经网络预测模型,并根据某660MW间接空冷机组的运行数据对该模型进行了训练和验证。结果表明:采用PSO算法优化的BP神经网络模型具有较强泛化能力,预测精度高于单纯的BP神经网络模型,预测平均绝对百分比误差为0.55%。     

ABC BP模型在混凝土双曲拱坝变形监控中的应用

因大坝变形具有很强的非线性、随机性,致使预测困难,将人工蜂群算法(ABC)与BP神经网络相结合,利用人工蜂群算法具有强全局优化能力、强鲁棒性等优点,克服BP神经网络收敛速度慢、易陷入局部极小点等缺点,建立ABC BP、BP神经网络大坝变形预测模型对小湾大坝变形监测数据进行预测。结果表明,与单纯的BP神经网络预测模型相比,ABC BP算法提高了大坝变形预报的精度,加快了网络的收敛速度,能更高效准确地进行大坝变形监控预报。     

基于BP神经网络模型的闽江流域地表水(福州段)水质变化趋势预测

为验证BP模型在河流水质预测中的有效性,利用2006~2011年闽江流域(福州段)闽侯竹岐、长乐白岩潭断面的河流水质数据,建立BP神经网络预测模型,从时间上对闽江流域(福州段)的水质进行预测,并用实际监测数据检验预测精度。结果表明,BP神经网络的水质预测模型在闽江流域(福州段)水质预测中有较好的预测精度。     

自适应粒子群支持向量机风速组合预测模型

提出一种优化的支持向量机风速组合预测模型,首先通过模糊层次分析法对参与组合的单项预测模型进行遴选,在当前风速样本集下自适应决策预测效果较优的单项预测模型的输出值作为支持向量机的输入,将实际风电场风速值作为支持向量机的输出,并采用粒子群算法优化支持向量机组合模型的参数。基于实际运营的风电场数据进行仿真分析,自适应遴选出BP神经网络、RBF神经网络、小波神经网络和遗传算法优化BP神经网络这4种单项预测模型参与支持向量机组合,结果表明所提方法的预测精度不仅高于单项模型,且高于线性组合预测模型和神经网络组合预测模型。     

基于新型智能算法对太阳能无人机光伏组件电压预测控制研究

针对BP网络算法预测光伏组件电压易陷入局部最优解,提出一种新型智能算法--自适应差分进化算法优化BP神经网络(BPNN)。太阳能无人机光伏组件电压的预测是通过自适应差分进化算法对BP神经网络的初始值和阈值进行优化,经过不断趋同、异化、迭代,输出最优个体,并按照编码规则将其解码后得到BP神经网络的初始权值和初始阈值,建立SaDE-BPNN电压预测模型。为了证明新方法的优良性能,选取均值绝对误差、均值绝对误差、均方根误差和相对误差4种精度指标对模型的精度进行评价。实验结果表明,SaDE优化BPNN后的平均绝对误差比BPNN低约30%。SaDE优化后的BPNN的均值绝对误差和均方根误差均小于BPNN,分别约为0.65和0.043。以上数据表明,新方法提高了预测的精度,实现了全局优化,能够显著提高预测效果。