基于ACO-BP神经网络的光伏系统发电功率预测

为准确预测光伏发电量,减少并网光伏对大电网的影响,引入相似日概念,对夏季预测日的平均温度、最高温度、最低温度以及天气类型进行分析。在历史数据中选取具有相似天气特征的发电功率数据和天气数据作为神经网络的训练样本,建立ACO-BP神经网络光伏发电功率预测模型,并将预测结果与传统BP神经网络和PSO-BP神经网络预测结果相比较。实验结果表明,该模型具有较高的预测精度。     

基于遗传算法优化BP神经网络的磨削力预测

为了克服传统BP神经网络的学习速率慢、容易陷入局部极小点等缺点,采用遗传算法对BP神经网络的初值空间进行遗传优化。用遗传算法来优化BP神经网络的权重和阈值,得到最佳的初始权值矩阵,并按误差前向反馈算法沿负梯度方向搜索进行网络学习的方法对磨削力进行预测。根据磨削力实验数据对网络进行训练,仿真结果表明该模型可以精确的描述砂轮速度、工件速度、磨削深度对磨削力的影响,并可以用有限的实验数据得出整个工作范围内磨削力的预测值。     

基于遗传算法优化的RBF-BP神经网络在光伏阵列MPPT的研究

为了高效地追踪光伏电池的发电输出功率,结合光伏电池输出非线性的特点,提出了一种基于遗传算法优化的RBF-BP组合神经网络,用于对光伏阵列最大功率点追踪(MPPT)。首先研究了光伏电池的输出特性,在此基础上提出了RBF-BP双隐层组合神经网络。为了更加准确地预测光伏电池最大功率点,进一步运用遗传算法对组合神经网络进行优化。将影响光伏电池输出的主要因素光照强度和温度作为神经网络的输入建立预测模型,通过MATLAB对该模型进行仿真。仿真结果表明,该系统具有追踪精度高、速率快、迭代次数少等优点,有效地提高了对光伏电池输出最大功率点追踪的精度和效率。     

基于BP神经网络光伏发电系统MPPT的研究

本文首先研究了温度、光强、阴影三个外界因素对光伏电池输出特性的影响。然后,考虑这些因素设计BP神经网络跟踪光伏发电系统的最大功率点。最后,建立MPPT控制的光伏发电系统的仿真模型,并进行了仿真研究。结果表明,该方法能够正确、快速地跟踪光伏电池的最大功率点,具有较好的控制精度。     

基于遗传算法优化的BP神经网络在粗糙度预测上的应用

针对BP神经网络预测工件表面粗糙度精度不高的问题,提出了一种基于遗传算法优化的BP神经网络预测方法。首先用遗传算法对BP神经网络的初始权值、阈值进行全局寻优,然后对优化的BP神经网络进行训练、预测。通过MATLAB进行了粗糙度预测仿真验证。结果表明:优化的BP神经网络比未优化的BP神经网络具有更高的预测精度。     

基于遗传算法优化神经网络的技术研究

为克服传统BP算法的收敛速度慢和容易陷入局部极小值的缺点,提出了一种基于遗传算法优化的BP神经网络智能诊断技术:采用基于实数编码的遗传算法优化神经网络权值和阈值,代替了原BP网络随机设定的初始权值和阈值,然后再用BP算法对网络进行精确搜索。实验仿真结果表明,用此法优化过的神经网络的训练步数明显减少,诊断准确率达91.7%,泛化能力也得到提高。     

基于神经网络的齿轮传动遗传算法优化

以一对齿轮机构分度圆柱体积之和最小为优化目标，建立了优化设计的数学模型。由于传统的优化方法存在着求解过程复杂和寻优过程容易陷入局部最优解的问题，故通过神经网络方法拟合待求系数，结合遗传算法，应用manab遗传算法工具箱寻求最优解，使求解过程得到简化，确保可靠地获得全局最优解。     

改进遗传算法优化的BP神经网络高炉煤气预测

以高炉煤气为主要研究对象,针对钢铁企业高炉煤气发生量波动大、无规律等特点,提出基于改进遗传算法优化的BP神经网络模型,通过改进遗传算法中交叉概率和变异概率的自适应选取,达到在全局与局部同时具有较强的寻优能力.由仿真结果可知:改进遗传算法优化的BP模型比普通的BP神经网络模型能更精确地预测煤气发生量,并解决了遗传算法(G...     

基于神经网络与遗传算法的交通流量预测研究

交通诱导系统是智能交通系统领域中一项重要的研究内容,而交通流量预测问题则是交通诱导系统的核心问题。传统预测方法有精度不高和低效等问题,近年来,人们开始用BP神经网络预测交通流量。文章针对神经网络训练中的局部最优问题提出了由遗传算法训练神经网络的方法,该方法克服了经典遗传算法的不足,有效地提高了网络训练的精度。     

基于启发式遗传算法的非线性神经网络预测控制器

本文提出一种以小脑模型（CMAC）网络为多步预测模型的非线性预测控制算法，并将启发式遗传算法引入到滚动优化中，以提高优化过程中的收敛速度和求解精度。仿真结果表明该算法是有效可行的。     

光伏发电量的预测综述

太阳能是目前全球最大的可再生能源,太阳能光伏发电系统的发电量主要受到外界环境因素的影响,存在着波动性和间歇性。针对光伏发电存在的这一问题,对目前有关光伏发电量预测的方法进行了梳理,对诸如灰色理论、多元线性回归、BP神经网络等多种预测方法做了归纳总结,并且在最后提出了一些需要注意和改进的方法,对未来光伏发电量的预测具有一定的科研价值。     

基于非线性SRUKF的光伏发电功率预测研究

光伏发电输出功率具有间歇性和波动性的典型特性,现从统计分布与物理学方法相结合的角度,建立了光伏发电预测功率物理模型,提出了适用于动态非线性系统预测的SRUKF算法。仿真结果表明,该方法用于光伏功率预测时均方误差较小,对光伏发电短期功率预测的实时性较好,准确性较高。     

基于神经网络的塔机变幅机构遗传算法优化

塔式起重机变幅机构一般采用蜗轮蜗杆减速器传动,由于蜗轮齿冠材料一般采用锡青铜,为了节约贵重有色金属,对蜗轮蜗杆传动采用优化设计方法具有重要意义。但传统的优化方法存在求解过程复杂和寻优过程容易陷入局部最优解的问题,本文在神经网络基础上采用遗传算法对变幅机构进行优化,使寻优过程得到简化,确保大概率地获得全局最优解。1遗传算法基本原理遗传算法是一类有效地解决最优化问题的方法,其基本思想是将问题表示成群体,根据适者生存的原则。从中选择出适应环境的个体进行复制,通过交叉,变异2种基本操作产生新一代更适合环境的群体,最…     

基于递阶遗传算法优化神经网络的研究

基于递阶结构的遗传算法可以同时对神经网络进行拓扑结构优化和权重的求解,具有较高的学习效率。针对HGA在优化神经网络过程中的一些参数,如适应度函数、交叉概率和变异概率等做了一些研究,并且比较HGA与一般遗传算法、BP算法的区别,把HGA和BP2种算法结合起来优化神经网络,最后给出仿真实例。     

光伏发电预测及并网分析

光伏发电由于成本低,环境污染小,近几年得到大力推广,但由于其发电具有随机性,大规模的并网会对电网的安全稳定运行产生一定影响,本文通过对光伏发电模型的分析,研究光伏功率预测的方法,并为促进光伏并网提出建议和措施。     

基于HS-BP预测模型的光伏发电系统MPPT研究

提出一种光伏发电系统最大功率跟踪方法 ,即一种和声搜索算法改进的BP神经网络预测模型HS-BP结合INC的MPPT方法。当外界环境条件变化时,可以通过预测模型直接将工作电压迅速调至Vref附近,从而大大提高了MPPT的跟踪速度;当以Vref为初值进行电导增量法INC以实现最大功率跟踪时,由于Vref已经接近最大功率点MPP对应的电压,故可以设置较小的扰动步长,因此可以改善MPPT的跟踪精度,从而有效地降低静态过程的功率损失。在基于单片机控制的硬件平台上进行试验,结果表明,该方法具有稳定、快速等优点,可以显著提高光伏电池的发电效率。     

基于神经网络-遗传算法优化柴油机油台架试验

根据15W/40 CD柴油机油的模拟实验与台架试验的基础数据,用人工神经网络(ANN)的反向传播算法建立了模拟实验与台架试验神经网络预测模型,该神经网络模型合适的拓扑结构为5-7-1,学习速率为0.2,动量因子为0.9。探讨了用模拟实验数据预测台架试验结果的可能性,检验证明用人工神经网络方法建立的模型能准确预报15W/40CD柴油机油的台架试验结果。该神经网络预测模型用遗传算法优化,得到了15W/40 CD级柴油机油能通过台架试验的最优模拟实验结果。     

采用遗传算法优化神经网络的铸铁表面粗糙度声发射预测

表面粗糙度是汽车发动机曲轴精密磨削加工中的一个非常重要的指标,在线监测表面粗糙度是曲轴智能磨削成功的标志。应用美国声学物理公司PAC的PCI-2声发射实验仪器测量磨削声发射信号,采用遗传算法优化BP神经网络,以磨削声发射信号均方根和快速傅里叶变换峰值为特征值,对平面磨削曲轴球墨铸铁材料QT700-2表面粗糙度成功进行了预测。与表面粗糙度的实测结果表明相对误差可控制在6.22%以下。     

基于神经网络和遗传算法的卫星结构参数优化

针对卫星结构要求总质量轻小、一阶固有频率较高的特点,建立了卫星结构多目标优化的数学模型,通过BP神经网络和遗传算法相结合进行参数优化,并编制了相应的计算程序,既利用了神经网络的非线性映射、网络推理和预测功能,又发挥了遗传算法的全局优化特性,得出了合理的优化结果,与传统的结构优化方法相比,此方法效率较高,精度良好.     

基于神经网络和遗传算法的身管多目标优化

身管结构的优化通常涉及到刚度、重量等多个目标,为了节省优化迭代过程中大量有限元计算的时间,以均匀试验的样本数据为输入,采用神经网络和遗传算法相结合的方法对火炮身管结构进行优化。采用模糊设计方法建立多个优化目标,通过权重将其转化成单目标,并在传统方法的基础上进行改进,采用权重优化的方法来确定权重,建立了基于神经网络和遗传算法的权重优化模型,从而克服了传统上确定权重方法主观性大的问题;在此基础上,进行基于神经网络和遗传算法的身管结构优化的求解。经算例验证表明,该方法可以获得较好的优化结果,并能大大提高身管结构优化的效率。