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。     

碟式太阳能集热器出口空气温度预测研究

提出使用BP神经网络对碟式太阳能出口介质温度进行预测。为提高BP算法的预测精度,采用遗传算法优化BP神经网络模型,建立基于GABP和实际数据结合的碟式太阳能温度预测模型进行预测,并通过Matlab仿真验证了该预测模型和策略的可行性和有效性。     

基于相似日和主成分分析的光伏发电系统短期出力预测

针对光伏发电功率的间歇性和波动性,提出了一种基于主成分分析(PCA)和粒子群优化(PSO)算法的BP神经网络短期发电功率预测方法。该方法先对原始输入数据进行主成分分析,再将分析结果作为BP神经网络的输入数据。由于粒子群算法搜索速度较慢,但全局搜索能力较强,而传统的BP神经网络搜索速度较快,但易陷入局部极值点,因此将两者结合起来,既弥补了各自的劣势,又避免了预测模型的失效,从而提高了预测模型的预测精度。分析结果表明,当天气类型改变时,该预测模型的有效性不变,预测误差均小于20%。     

基于随机森林的火电机组SCR脱硝反应器建模

火电机组选择性催化还原技术(SCR)脱硝反应器过程复杂多变,采用机理建模的SCR脱硝反应器出口NO_x质量浓度预测难以取得良好的效果。基于火电厂的历史运行数据,将主成分分析(PCA)和随机森林(RF)相结合建立了SCR脱硝反应器出口NO_x质量浓度预测模型。在建模过程中,采用主成分分析方法计算各个变量的贡献率来筛选变量,进而对随机森林模型进行试验验证,并与支持向量机(SVM)模型和BP神经网络模型的预测性能进行对比。结果表明:采用PCA变量选择方法确定SCR系统模型的输入变量是可行和有效的;与SVM和BP神经网络模型相比,RF算法得到的SCR系统模型具有更好的预测效果。     

基于自适应粒子群优化BP神经网络的氨法烟气脱硫效率预测

针对氨法烟气脱硫效率的预测问题,建立了以脱硫系统运行中8个主要参数作为输入变量的BP神经网络模型,采用粒子群优化算法(PSO)对建立的BP神经网络模型的权值进行优化,提出基于粒子群优化算法的BP神经网络(PSO-BP)预测新模型,并利用某电厂脱硫系统20组运行数据对该模型进行了验证.结果表明:采用PSO算法对BP神经网络的权值和阈值进行寻优,避免了网络局部极小值的出现,提高了网络的泛化能力,采用PSO-BP预测模型可以对氨法烟气脱硫效率进行较高精度的预测.     

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LH-BP松散耦合模型的日径流预测

鉴于基流过程对降雨不敏感,致使传统的BP神经网络日径流预测性能受到制约的问题,结合LyneHollick(LH)数字滤波算法和BP算法的优点,建立了基于LH分割基流与BP神经网络日径流预测的松散耦合模型(LH-BP)。先采用LH数字滤波算法分割出基流,再利用BP神经网络预测锦江流域四个水文站的直接径流和基流。结果表明,LH-BP耦合模型较传统的BP模型性能更优,弥补了传统的BP模型对日径流模拟与预测的不足。     

基于改进AWNN的风电功率超短期多步预测

为提高风电功率超短期多步预测精度,针对梯度修正学习算法采用随机初始化网络参数训练自适应小波神经网络(AWNN)易陷入局部最优的缺点,将粒子群(PSO)算法和差分进化(DE)算法相结合,提出利用IPSO-DE算法优化AWNN的初始化网络参数,得到改进AWNN模型(IAWNN)并将其用于风电功率超短期多步预测。仿真结果表明:IPSO-DE算法优化AWNN初始化网络参数的性能优于IPSO算法、DE算法和梯度修正学习算法,所提改进模型的多步预测性能优于AWNN模型、持续法(PM)模型和BP神经网络(BPNN)模型。     

RBF神经网络在坝肩断(夹)层位移监测中的应用

针对RBF神经网络可解决BP算法收敛速度慢、易陷于局部最小等问题,介绍了RBF下神经网络的训练与设计方法,构建了某坝坝肩断(夹)层位移数据分析的RBF神经网络,并对测试样本进行了预测.结果表明,采用该法的预测误差约为±0.2 mm,预测效果较好.     

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。     

基于遗传算法的压气机性能曲线拟合方法研究

为了研究人工神经网络在压气机性能曲线拟合中的应用,分别利用BP神经网络、RBF神经网络、极限学习机以及BP-GA神经网络对某微型燃气轮机压气机的性能映射关系进行模拟,分析了不同网络模型在压气机特性曲线拟合上的优劣,以及样本容量对不同神经网络模型性能的影响。结果表明:BP-GA神经网络模型不仅收敛速度快,而且精度高;相比传统BP神经网络模型,其平均绝对百分比误差可控制在0.189%以内,训练时间可缩短至19.07 s;当样本容量较少时,传统BP神经网络模型不再适用,而基于遗传算法的BP-GA模型仍然保持较高的精度。     

Modeling a SOFC stack based on GA-RBF neural networks identification

In this paper, a nonlinear offline model of the solid oxide fuel cell (SOFC) is built by using a radial basis function (RBF) neural network based on a genetic algorithm (GA). During the process of modeling, the GA aims to optimize the parameters of RBF neural networks and the optimum values are regarded as the initial values of the RBF neural network parameters. Furthermore, we utilize the gradient descent learning algorithm to adjust the parameters. The validity and accuracy of modeling are tested by simulations. Besides, compared with the BP neural network approach, the simulation results show that the GA-RBF approach is superior to the conventional BP neural network in predicting the stack voltage with different temperature. So it is feasible to establish the model of SOFC stack by using RBF neural networks identification based on the GA.     

基于BP神经网络的并联型有源电力滤波器直流侧电压PID控制设计

在传统的基于PI控制的有源电力滤波器直流侧电压控制方法的基础上,针对PI控制方法的不足,提出了基于BP神经网络的并联型有源电力滤波器直流侧电压的PID控制。该方法充分发挥了神经网络具有逼近任意非线性函数的能力,具有动态响应快、超调小、静态误差小的特点,并且实现简单,满足多种变化负载情况下的有源电力滤波器直流侧电压控制要求。对BP神经网络结构进行了设计并推导出隐含层和输出层加权系数计算公式,同时给出了BP神经网络学习算法流程图。通过Matlab对其控制效果进行了仿真研究。     

基于改进的BP神经网络学习算法的变压器故障诊断

电力变压器的故障除了给其自身带来重大损失外,还对电力系统的安全造成很大影响。利用BP神经网络对变压器故障进行诊断,针对BP神经网络学习率的缺点,提出了一种跟踪型自适应学习率的确定方法,该方法仅需整定一个参数,有效地提高了BP神经网络的收敛性和训练时间,进而通过构建变压器故障诊断训练样本集,验证了该方法的可行性,获得了更精确的诊断结果。     

神经网络自学习PID控制器的研究

从兼顾人工神经网络控制系统自学习能力和实时性角度出发，通过构建新的人工神经网络自学习PID控制器的结构，控制系统的样本拾取，更新与优化均采用在线学习方式，使控制系统具有较强的自学习能力。在分析了目前广为应用的多层前向神经网络误差反向传播算法(BP)的局限性及原因的基础上，提高了改进的BP算法-自适应动量项BP算法。从而提高了神经网络的收敛速度和收敛精度，并通过实例验证了自学习PID控制器的可行性及改进算法的合理性。图6参4     

应用神经网络模糊控制器的发动机怠速控制

应用模糊控制理论设计了一个用于发动机怠速控制的模糊控制器,并用ＢＰ人工神经网络实现这种模糊控制器输入输出的映射关系,在神经网络训练中采用了先进、有效的变尺度学习算法。最后给出了控制仿真结果。     

基于PSO聚类分析与BP网络的短期电力负荷预测

针对短期负荷预测特点, 提出一种基于PSO聚类分析和BP网络的短期负荷预测方法, 通过PSO聚类分析将负荷历史数据分成若干类对输入数据预处理,建立了相应BP网络模型,采用附加动量和变学习速率法预测每小时负荷.以华东某地区实际负荷预测为例,分析结果表明,该方法适应性强、预测精度高、结果满意.     

基于思维进化算法优化BP神经网络的渗透参数反演研究

针对传统BP神经网络反演渗透参数的准确性很大程度依赖于初始权值和阈值的选择的问题,引入全局寻优能力极强、待调参数较少、收敛速度快的思维进化算法优化BP神经网络,以弥补传统BP神经网络在解决该问题时拟合能力有限、容易陷入局部最优、收敛速度慢的缺陷,进而提出了思维进化算法优化BP神经网络反演渗透参数的新方法。对某混凝土面板堆石坝进行渗透参数反演结果表明,与传统BP神经网络相比,思维进化算法优化BP神经网络具有更好的泛化能力,反演得到的渗压测点水头与实际值吻合更好,渗透参数符合实际。