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。     

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。     

基于KPCA和PNN的高加系统故障诊断

提出了一种新的高加系统故障诊断方法。首先使用核主元分析方法进行特征提取,降低数据维数,既简化了诊断过程,又提高了故障诊断的精度。然后使用概率神经网络进行故障模式识别。该神经网络训练速度快,容易添加新的训练样本。最后将该方法川于某汽轮机组高加系统故障诊断中,取得了较好的诊断效果,表明该方法具有一定的工程实用价值。     

基于改进VMD-BPNN的光伏功率预测

针对光伏发电预测模型准确率低的问题,构建了基于变分模态分解-反向传播神经网络(VMD-BPNN)的光伏功率预测模型。对光伏发电数据进行变分模态分解得到不同特征数据,解决了数据的随机性和波动性问题。再采用K-means聚类方法对不同特征数据进行聚类,提高模型的泛化能力。通过集成学习bagging的方法对BPNN进行增强,以达到提高光伏功率预测模型整体稳定性的目的。根据RMSE和NRMSE误差标准进行测试,测试结果表明,基于VMD-BPNN预测模型的NRMSE平均值2.77%,RMSE平均值为2.22%。     

基于GA-BP神经网络的带提升管内循环流化床循环流率预测

自行搭建了带提升管的内循环流化床试验台,研究了提升管风速、气化室风速、颗粒平均粒径、床层高度对循环流率的影响。基于遗传算法优化BP神经网络原理,建立了GA-BP人工神经网络模型,用来预测带提升管的内循环流化床的颗粒循环流率。通过对GA-BP神经网络模型颗粒循环流率的预测值与试验值的比较发现:当隐含层数目为22时,最大相对误差为±6.6917%,误差的均方差为2.899%。该模型预测数据与试验值比较吻合,能够较好的预测颗粒循环流率。     

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。     

基于相空间重构和GA-BP网络的径流预测

将相空间重构理论与神经网络以及遗传算法相结合提出了径流时间序列预测模型,通过相空间重构将一维径流时间序列拓展为多维序列,挖掘了更为丰富的信息,反映出系统的非线性特征,有利于神经网络建模和训练。研究表明,基于相空间重构理论的遗传算法和BP神经网络组合模型可较好地解决径流预测。以深圳宝安铁岗水库月径流为例,采用小波消噪对数据预处理,利用遗传算法训练BP神经网络,计算结果表明模型具有较高的预测精度。     

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。     

基于改进K-Means++聚类分析的邻户表计错接辨识方法

邻户间表计错接影响电能计量的准确性,致使电费结算异常。人工排查方式效率低、难度大,基于用户电量数据,通过改进K均值聚类分析提出了一种单相表计邻户错接线辨识方法。首先,从SG186系统与采集系统中提取用户换表信息与日用电量数据;其次,通过均值、标准差、峭度3个统计量刻画用户换表前后的日用电量数据段曲线特征,并在多维空间内标定出每段数据的特征点;最后,对客户换表前后用电数据段的特征点进行K-means++聚类分析以错接辨识邻户表计错接情况。实际案例应用分析验证了所提方法的有效性,辨识结果可作为错接判别的有效依据。     

基于主成分分析和BP神经网络的赣江流域中长期径流预报

针对赣江流域开展水量调度对中长期径流预报的迫切需求,在分析赣江流域径流特性的基础上,以降雨、径流等常规因子和130项大气环流指数等相关因子为预报因子,分别构建基于相关系数法、逐步回归方法、主成分分析法三种因子筛选方法的BP神经网络中长期径流预报模型。研究结果表明,主成分分析方法筛选的预报因子可较好描述未来径流的变化趋势,所构建的基于主成分分析的BP神经网络中长期径流预报模型在率定期和检验期的合格率均满足规范对作业预报模型的精度要求,可作为赣江流域中长期径流预报的支撑模型。研究成果为赣江流域开展水资源优化配置和水量调度提供了依据。     

基于主成分分析优化BP神经网络模型的厌氧膜生物反应器膜污染预测*

膜污染是厌氧膜生物反应器运行中不可避免的问题,制约了工艺技术的推广应用,分析膜污染的形成过程是控制膜污染的重要内容。基于主成分分析（PCA）和反向传播神经网络（BPNN）的理论,提出了一种采用主成分分析优化BP神经网络的膜污染预测模型。以反应器连续运行试验数据为样本,利用相关性分析确定模型的输入变量,并基于输入变量间存在信息重叠问题,采用主成分分析法对输入因素进行降维处理,提取贡献率为70.4%的第一主成分和贡献率为17.7%的第二主成分作为输入特征。结合模型的贡献度分析和主成分分析发现,反应器内的污泥浓度是膜污染影响因素中最主要的特征变量,贡献度为34.9%。对比分析优化模型和单一模型的预测结果,发现PCA-BPNN模型的拟合效果更好,平均相对误差仅为3.8%,可用于膜污染分析研究,为后续研究提供参考。     

基于主成分分析的流域聚类研究

针对流域聚类研究中流域特征指标变量过多会增加计算的复杂性和指标间存在相关性使信息重叠导致计算结果失真的问题,采用主成分分析的方法将原特征指标综合为少数几个不相关的主成分,且提取出的主成分基本包含原特征指标的全部信息,并根据各流域在主成分上的得分值作为新样本进行流域聚类研究,找出相似流域,实现了无资料地区的参数移植。实例应用结果表明,该方法可行、有效。     

基于主成分分析的地下水水质模糊综合评价

主成分分析法能够降低数据维度,减少分析指标数量。利用主成分分析法分析初选指标,筛选模糊综合评价因子,求取其权重集,建立基于主成分分析的水质模糊综合评价模型,并应用于黄土地区洛河油田浅层地下水的水质评价中。结果表明,采用主成分分析法选择评价因子,既保证了评价结果的可靠性,又减小了参与评价的数据量,提高了评价效率;利用主成分分析法赋权进行模糊综合评价,考虑了评价因子之间的相互作用,水质评价结果比采用超标法赋权的结果更优;洛河油田富县区块浅层地下水水质状况总体较好,在油田开发过程中应采取保护措施,防止浅层地下水污染。     

基于神经元网络方法的风电场风电功率预报研究

风电大规模并网使风电对电网的冲击问题越来越凸显,许多地方出现了拉闸限电的情形,随着百万千瓦级风电基地、千万千瓦级风电基地的规划及建设,急需开展行之有效的风电场风电功率预报,来满足风电上网调度的实际需求,利用数值模式预报的风速、风向等预报场及风电场逐时风电功率资料,通过神经元网络方法进行了风电场风电功率预报试验,预报精度与2002—2006年欧洲风能计划中的风电场风电功率预报精度相当。     

基于改进Elman反馈型动态神经网络的配电网可靠性评估

快速准确地进行配电网可靠性评估具有重要意义,然而传统的配电网可靠性评估方法并不适用于评估大规模配电系统的综合可靠性指标,对大规模电网的可靠性进行评估时往往会造成建模困难、计算量剧增的问题。因此,提出基于Improved-Elman(IElman)反馈型动态神经网络的配电网可靠性评估方法,即在Elman神经网络的承接层中加入自反馈连接增益系数来衡量历史信息对未来状态的影响程度,并通过思维进化算法对Elman神经网络的相关参数进行优化。在采用神经网络评估前,利用灰色关联度分析对神经网络的输入变量进行预处理。所提出的方法与普通神经网络评估模型相比,平均相对误差由5.43×10~(-4)降到7.32×10~(-5),表明该方法能够有效简化计算,提高神经网络对复杂问题的评估精度。     

基于OLS-SFLA-RBF神经网络的风电出力预测

提高风电出力的预测精度,可以减轻风电并网带来的不利影响。利用径向基函数神经网络（RBF）建立风电出力预测模型,并通过正交二乘算法（OLS）对RBF神经网络进行初步训练,以确定网络结构及隐含层各节点中心。在OLS算法训练的网络基础上引入蛙跳算法（SFLA）,进一步对隐含层基函数的宽度值进行优化以提高网络的泛化能力。实例预测表明,在相同的网络结构及隐含层中心下,基函数宽度值优化后的RBF神经网络模型预测精度得到了提升。     

基于粗糙集和神经网络的电力系统操作点状态评估

为提高电力系统的安全可靠性,提出一种基于粗糙集和神经网络融合的电力系统操作点状态评估方法。首先用SOM神经网络对电力数据离散化,再应用粗糙集约简算法产生知识约简的决策规则表,最后应用RBF神经网络评估约简后的电力系统状态。实例测试结果表明,提出的方法合理有效,能够较好地满足操作员对电力系统状态评估的要求。     

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.