基于PCA-GABP神经网络的发动机负荷特性预测

针对BP算法存在的不足，本文提出了一种PCA—GABP神经网络方法预测发动机负荷特性，该方法由主成分分析（PCA）和遗传神经网络（GABP）两部分构成，采用PCA技术减少网络输入变量、精简网络结构、提高学习效率；GABP算法采用局部改进遗传算法优化神经网络权值，并采用自适应学习速率动量梯度下降算法对神经网络进行训练。预测结果表明该方法在准确性和收敛性方面都优于BP算法。     

非线性主成分分析和RBF神经网络的 电力系统负荷预测

电力系统负荷预测是电力系统规划与运行的重要内容,为提高负荷预测的精度,针对主成分分析法在涉及到多指标预测体系中降维作用不明显,且考虑不到指标间非线性关系的问题,采用非线性主成分分析法改进RBF神经网络输入量,该方法克服了数据之间相关性的约束,进一步降低了预测指标维数,兼顾了指标间非线性关系,保留了原始数据的足够信息,获得电力系统负荷预测的主成分,显著地减少了径向基函数神经网络的输入量,从而提高了电力系统负荷预测的精度。实例分析验证了该方法的有效性。     

基于主成分分析的神经网络在需水预测中的应用

需水量预测是水资源规划与管理的重要内容,建立高精度的需水量预测模型,可为区域水资源规划提供技术支撑。以南昌市为例,利用2005~2015年的实际用水量数据,对南昌市16个用水总量影响因子进行主成分分析,以提取的主成分作为BP神经网络的输入样本,建立BP神经网络需水预测模型。结果表明,经过主成分分析,16个用水量影响因子可用8个主要影响因子代替。建立的BP神经网络模型的需水预测平均相对误差仅为1.37%,预测精度较高,可作为区域需水预测的一种可靠方法。研究成果可为类似区域提供借鉴。     

基于PCA-GA-Elman的短期光伏出力预测研究

针对光伏发电出力随机变化,提出一种PCA-GA-Elman模型对光伏有功功率进行短期预测方法,用于提高电网对可再生能源的调度能力。该方法首先采用主成分分析法对原始数据进行降维;接着使用遗传算法对Elman神经网络的反馈因子进行寻优;然后利用训练集构造PCA-GA-Elman预测模型;最后在对比仿真中验证所提方法的有效性。     

基于卷积长短期记忆神经网络的短期风功率预测

提出一种基于卷积长短期记忆神经网络(CNN-LSTM)的短期风功率预测模型.该模型以风电场风功率历史数据以及风速风向等数值天气预报(NWP)数据为输入对风功率进行预测.首先,利用主成分分析法(PCA)对原始多维气象数据变量进行预处理,然后将处理过的气象数据和历史风功率数据通过卷积网络实现对数据的特征提取和进一步的数据降...     

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。     

基于卷积神经网络的负荷预测

电力负荷预测对于保证大扰动下的系统稳定、优化智能电网中的能源分配具有重要意义。传统的预测模型主要基于时间序列分析,由于其不可忽略的预测误差,已经不能完全满足电力系统的实际需要。为提高预测精度,将时间序列数据分析转变为图像处理,并利用计算机图像领域广泛使用的深度学习方法进行电力负荷预测。卷积神经网络(convolution neural network, CNN)作为图像处理的有力工具,尽管已有学者将其用于时间序列数据处理,但仍是将数据作为序列矩阵处理,并未体现出CNN处理图像矩阵的优势。因此提出基于序列到图像转换的CNN(sequence to image convolutional neural network, STI-CNN),将负荷序列转换为负荷图像,使CNN可以更有效地提取相邻信息特征,充分考虑到各种外部影响因素,使用双分支深度网络模型对输入数据进行精确聚类,通过STI-CNN方法进行负荷预测。负荷预测实验结果表明,所提STI-CNN方法在不同的预测指标方面都有卓越的表现,所用预测时间更短,具有更高准确度。     

基于改进KPCA和GA-BP神经网络的电能质量稳态指标预测

为提高电能质量稳态指标预测精度,以气象因素、有功负荷及历史电能质量数据作为输入变量,提出一种基于改进核主成分分析(KPCA)和遗传算法(GA)优化BP神经网络的电能质量稳态指标预测方法,首先将改进K-means聚类算法与KPCA相结合,通过改进K-means算法将输入变量划分为不同的子类,降低了核矩阵维数;再利用KPCA提取每类输入变量的非线性主成分,简化网络结构;然后分别将每一类中提取的特征作为BP神经网络模型新的输入变量,并结合GA算法优化BP神经网络参数,建立每一类数据的预测模型。算例应用结果表明,该方法的预测精度明显优于传统BP神经网络预测方法和KPCA+BP神经网络预测方法。     

基于主成分分析的RBF神经网络在需水预测中的应用

针对需水预测方法大都存在一定的局限性,导致预测值与实际值差别较大的问题,采用主成分分析与径向基函数(RBF)神经网络相结合的方法建立需水量预测模型。首先借助SPSS进行主成分分析,对影响因子进行降维处理,以此减少各影响因子之间原有的多重共线性;其次,选用RBF网络,运用Matlab神经网络工具箱,建立了基于主成分分析的RBF(PCA-RBF)神经网络需水预测模型;并以辽宁西部地区凌源市需水预测为例,对预测模型进行了校核。利用训练好的PCA-RBF神经网络需水预测模型对凌源市2014、2015年的总需水量进行模拟预测,预测结果与实测数据相对误差分别为2.9%、0.4%。这说明该模型可相对全面地模拟需水量变化规律,能够用于半干旱山区和材料相对较少时需水量的精准预测,为水资源规划管理提供了理论依据。     

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神经网络的柴油机气缸压力重构

针对缸盖螺栓头部的振动信号和气缸压力信号分别进行了功率谱分析,发现两者频域特性相差很大。因此用线性的方法求得的两者之间的传递函数,不能反映实际缸盖结构的传递特性。基于BP神经网络,在时域内建立了该振动信号与气缸压力信号之间的非线性关系,探索了重构气缸压力的神经网络方法。对信号以等时间间隔采样时,不同的机器转速需要不同的网络结构。针对这一不足,利用样条插值方法拟合采样信号,以等曲轴转角间隔重新采样。这样只要训练样本足够,建立一个网络就能适合所有转速的情况。     

基于BP神经网络的印染太阳能集热温度预测

温度在印染加工最重要的工艺参数,因此对太阳能的集热能力做出及时预测是太阳能集热系统在印染行业成功应用的关键,但太阳能集热受到纵多因素的影响,单纯的数学模型难以准确预测。文中采用神经网络对太阳能集热系统进行集热温度预测,根据太阳辐照度、实测温度、天气情况、进水温度等环境参数,预测印染太阳能集热系统的集热温度。结果表明,该方法速度快,结果较准确,为印染太阳能集热控制系统的设计提供了一个新的预测手段。     

神经网络在双燃料发动机电控单元开发中的应用

将人工神经网络算法作为一种科学的数据处理方法引进双燃料发动机电控单元软件开发，实践表明，由神经网络对试验数据学习获得的规律对双燃料发动机的辅助燃料喷射量进行控制，可以比较好的满足工程技术上的要求。另外神经网络训练完成后的系统可以由生成的通用C语言程序代码来表示，使电控单元的软件编写非常方便。     

基于人工神经网络技术的发动机故障诊断系统

介绍了人工神经网络技术的基本概念、BP（Error Back Propagation）网络的基本结构、原理及其学习算法。分析了基于传统的专家系统理论的汽车故障诊断系统在知识获取、知识表达、及推理能力等方面的缺陷,提出了采用人工神经网络技术来解决发动机故障诊断问题的设想,研制开发了一套故障诊断装置。     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。     

基于小波包与神经网络的柴油机故障诊断

针对柴油机缸盖振动信号的非平稳时变特点,提出应用小波包能量法提取故障特征向量,并将提取的特征向量作为BP神经网络的输入向量进行学习训练。训练后的神经网络可以利用测量的振动信号判断柴油机的气阀机构故障状况。实践证明该方法在柴油机振动诊断中是有效可行的,对其他设备的故障诊断也具有借鉴意义。     

基于神经网络的内燃机排放预测方法的研究

抛开数学建的模式，尝试把神经网络方法引入内燃机的排放性能预测。该方法的预测精度不依赖于研究对象的数学模型，不需要复杂的数学演算，方法简便，以进气成分变化对柴油机排放性能的影响为例进行了探索，经过试验验证，证明了该方法的可行性。     

基于新型RBF神经网络的四缸发动机活塞-轴系仿真研究

将一种新型的RBF神经网络和可视化等技术引入四缸发动机活塞-轴系的动力学建模申,建立了四缸发动机的活塞-轴系的仿真模型。提出的神经网络考虑了发动机运行具有周期性和不同缸存在点火相位差等特点,能重构发动机各缸燃烧气体作用于活塞的压力和其它方法难以再现的由二维雷诺润滑方程计算得到的油膜力,其有效性也被证明。再对神经网络进行训练、模块化并耦合到四缸发动机活塞-轴系动力学模型中,开发了MATLAB／SIMULINK环境下的四缸发动机活塞-轴系动力学仿真模块。这种方法也适合于其它类型发动机建模。     

天然气电控发动机的匹配研究

提出了正交试验法与神经网络相结合建立发动机性能与运转参数间的动力性模型、经济性模型及排放模型的方法,并以这些模型为基础建立目标函数和约束条件,采用遗传算法进行运转参数实时优化。在913CNG天然气电控发动机上进行的动力性能和排放性能匹配试验结果表明其动力性能达到了设计指标,排放性能满足国家标准要求,采用的方法切实可行。