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。     

基于遗传算法优化神经网络的光伏发电预测

针对光伏发电系统输出电能随机性对电力系统的影响问题,对光伏输出功率预测方法进行了研究,提出了基于遗传算法优化BP神经网络的光伏预测模型。对光伏发电系统的历史发电量数据和气象数据进行了数学归纳,分析了天气类型、温度、太阳辐射强度等因素对光伏发电功率的影响。建立了基于遗传算法优化的神经网络光伏发电预测模型,提前一天进行了功率预测,且通过动态修正进一步提高了模型预测精度。运用Matlab为神经网络与遗传算法工具箱,对训练好的模型在不同日类型下进行了测试和评估,并与传统神经网络预测结果进行了对比分析。研究结果表明,利用遗传算法优化方法提高了神经网络模型预测光伏输出功率的精度,预测结果与实测结果之间的平均误差百分比减小,预测方法具有工程应用意义。     

基于CNN-SVR的作业车间订单完工周期预测方法

经典作业车间生产环境包含多产品、多机器和多工序,提高其完工周期的预测精度对于企业提高客户满意度、优化生产调度等方面都具有重要意义。因此,针对作业车间订单完工周期预测问题提出一种卷积神经网络-支持向量回归(CNN-SVR)方法。首先,将订单完工周期影响因素分类为订单信息与车间实时状态信息,并分析得到其中的关键特征因素。进而,采用ReLU激活函数训练卷积神经网络,对生产数据特征进行自适应提取,并将结果输入至支持向量回归模型中进行预测。最后,设计FlexSim作业车间仿真模型生成车间订单生产数据,确定评价指标并进行试验验证。结果表明,相较于其他对比模型,CNN-SVR预测方法在拟合优度和预测误差等方面均有很好表现,能够得到理想的预测效果。     

基于动车组轴温预报预警模型研究

本文设计了一种特殊的卷积递归神经网络,用于轴温的模式学习,预测轴的短期变化和潜在故障的早期预警。设计了多个低级的卷积神经网络(CNN)来学习轴温变化模型,然后把轴温变化模型作为输入给递归神经网络(RNN)来预测轴温。递归神经网络把故障数据作为潜在故障的输入。主要结论是这种卷积-递归神经网络能够获得最新状态的性能参数,仿真实验证明,卷积-递归神经网络对短期预测和潜在的故障警告是有效的。     

基于组合神经网络的风机轮毂处短期风速预测

综合考虑风电机组轮毂处历史风速规律和近期数值气象预报风速变化,对时间尺度为6 h以内的风电机组轮毂处风速进行预测。为提高风速骤变情况下短期风速预测精度,提出一种新的组合神经网络。针对信号分解后的不同频率子序列特点,采用深度卷积神经网络和门控循环递归单元对趋势项子序列进行预测,用建立的Elman循环递归神经网络对细节项子序列进行预测。利用降尺度后的数值气象预报风速来判断风速骤变拐点,采用广义自回归条件异方差模型对非拐点风速预测值进行修正。最后,利用新疆某风电场实际风速数据进行实验,以平均绝对误差、均方误差及平均绝对百分比误差计算确定性预测精度,以覆盖率和区间宽度计算不确定性预测精度,结果验证了所提算法的有效性。     

基于遗传算法优化灰色神经网络的机床主轴热误差建模研究

针对机床主轴热性能对加工精度产生影响的问题,对机床主轴热误差建模方向进行了试验研究。以数控磨床主轴为研究对象,通过热特性试验获得了阶梯转速下的温度变化数据和热误差数据,对温度数据进行了模糊聚类分组,并采用相关系数法选出了温度敏感测点;通过对灰色神经网络初始参数进行优化,建立了遗传算法(GA)优化的灰色神经网络热误差预测模型;在该模型中,以灰色神经网络的预测输出和实际值的绝对误差作为遗传算法适应度函数,以平均相对误差作为预测模型的评价标准,并与灰色神经网络、BP神经网络预测结果进行了对比。研究结果表明:该预测模型具有更高的预测精度,通过GA对灰色神经网络的初始参数进行优化,可有效地提高网络的预测精度,更好地用于热误差补偿系统。     

基于相似日和RBF神经网络的短期电力负荷预测

短期电力负荷预测中选取合适的相似日作为训练样本可以简化训练过程并提高预测精度。为了减小积温效应对相似日选取的影响,提出了一种根据综合相似度选取相似日的方法。通过将温度和其他负荷影响因素分别计算相似度,从而根据计算得到的综合相似度来选取相似日。此外,为了提高RBF神经网络的预测效果,将训练样本先用减聚类进行聚类,根据聚类结果设置模糊c-means聚类的初值,运用模糊c-means聚类来优化RBF神经网络的隐含层参数,最后结合相似日和改进RBF神经网络进行短期电力负荷预测。通过实际电力负荷数据的仿真分析验证了所提方法的有效性。     

基于神经模糊控制理论的数控机床热误差建模

将基于神经模糊控制理论的建模方法--模糊神经网络建模法应用到数控机床热误差建模当中,讨论了热误差模糊神经网络的结构及建模原理;对大型数控龙门导轨磨床主轴箱系统进行建模试验,采用非接触式红外温度测量仪和千分表分别测量主轴箱系统温度值与主轴热误差,得到两组独立的试验数据,一组用来建立主轴箱系统热误差模糊神经网络预报模型,另一组用来对模型进行验证。试验结果表明,模糊神经网络模型预测精度高,泛化能力强;将模糊神经网络建模方法与径向基函数神经网络建模方法进行综合对比,分析结果表明,模糊神经网络建模方法具有更好的建模效率、建模鲁棒性及预测性能。     

基于灰色理论预处理的神经网络机床热误差建模

为最大限度减少热误差对数控机床加工精度的影响,尝试结合灰色理论和人工神经网络各自对数据处理的优点,提出一种基于灰色理论预处理的神经网络机床热误差补偿模型.在一台处于实际加工状态的数控车床上进行试验,采用数字式温度传感器测量经过优化选取的对热误差有关键影响的机床构件和加工环境的温度数据,采用非接触式位移传感器获得机床加工热误差数据,在不断调整灰色模型数据序列长度及神经网络权值、阈值的基础上,最终建立热误差补偿模型.通过与传统灰色模型和神经网络进行对比分析及试验论证表明,该补偿模型具有对原始温度和热误差数据要求低、计算简便、预测精度高、鲁棒性强等优点,可用于各种复杂实际加工场合中的数控机床热误差实时补偿.     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成BP网络权值和阈值的优化,最后建立用于短期负荷预测的优化模型,并通过实例进行仿真验证.结果 表明:该改进预测模型与传统BP算法相比预测精度及收敛速度均有大幅提高,具备工程实用价值.     

采用改进灰色神经网络的铣床热误差补偿研究

数控铣床在铣削零件过程中,主轴会受到温度变化影响而发生热变形,导致铣削零件误差较大,从而降低产品精度。对此,采用一阶线性微分方程推导GM(1,1)模型,创建灰色预测模型。将神经网络模型与灰色预测模型进行组合,建立灰色神经网络预测模型。引用粒子群算法,在粒子群算法中增加变异操作和修改惯性权重系数,给出改进粒子群算法优化灰色神经网络预测模型的具体操作步骤。采用实验测试铣床铣削过程中所产生的热误差,并与预测模型进行比较。结果显示:在铣床主轴X、Y、Z轴三个方向上,灰色神经网络预测模型对铣床主轴补偿后,得到的残差较大;而改进灰色神经网络预测模型对铣床主轴补偿后,得到的残差相对较小。采用改进粒子群算法优化灰色神经网络预测模型,能够提高铣床主轴铣削精度。     

基于IA-PSO-BP模型的电主轴热误差预测方法

针对电主轴在运作时因为温升而产生热误差的问题,提出一种基于免疫粒子群优化BP神经网络（IA-PSO-BP）的电主轴热误差预测模型。通过测量电主轴在工作过程中的温升以及热位移,获取建立预测模型所需的数据,使用IA-PSO-BP模型在MATLAB中建立热误差预测模型,并与未经过优化的BP神经网络所建立的模型进行测试对比。结果显示,经过优化的BP神经网络对热误差的补偿能力高达98.4%,和当前工程常用的BP神经网络相比,平均预测误差下降了62.6%,预测误差的均方差下降了66.4%,可见其预测精度得到了显著提升。     

基于遗传算法优化小波神经网络数控机床热误差建模

数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。     

基于CNN-GRU组合神经网络的数控机床进给系统热误差研究

热变形引起的误差是影响数控机床精度的主要因素之一。为了减小热误差对数控机床精度的影响,提出一种基于CNN-GRU组合神经网络的热误差预测方法。通过热误差实验,采集螺旋曲面专用数控机床直线进给系统的温升数据和热误差数据;利用模糊C均值聚类和灰色关联度分析筛选进给系统温度敏感点;以温度敏感点的温升数据和进给系统热误差为数据样本,建立CNN-GRU热误差预测模型。为验证模型的准确性和实用性,与基于CNN-LSTM和基于LSTM的传统热误差预测模型进行预测对比分析,结果表明CNN-GRU模型预测结果的平均绝对误差、均方根误差和决定系数均优于CNN-LSTM模型和LSTM模型,具有较高的预测精度和鲁棒性。提供的热误差模型可为后续误差补偿奠定基础,为数控机床的热误差预测提供思路。     

功率需求驱动的电动载运装备用动力电池充放电能力预测方法

充放电功率能力的准确评估是动力电池及电动载运装备安全、高效运行的基础。针对电动载运装备,建立以输入/出功率为控制目标的动力电池模型,描述功率需求驱动的动力电池充放电行为;通过动态优化电池截止电压,提出多步功率预测方法,建立动力电池恒功率需求时的充放电能力预测策略;考虑荷电状态、温度、持续时间等的影响,采用长短期记忆神经网络建立功率修正模型,提升了动力电池充放电功率能力预测性能。结果表明,多步功率预测法能兼顾预测精度和计算效率,最大误差小于3%;全电量区间和宽温度范围内应用效果表明：采用功率修正的功率预测最大误差小于3%,均方根误差低于1%。     

基于贝叶斯神经网络的机床热误差建模

热误差严重影响着机床的加工精度,对机床关键部件进行热特性分析是开发精密机床的重要环节。通过测量包括数控机床的特殊位置温度和定位误差在内的热特性,研究了温升与定位误差之间的关系,提出了一种基于贝叶斯神经网络的热误差建模方法。通过K-means聚类和相关系数法来选择温度敏感点,可以有效地抑制温度测量点之间的多重共线性问题。结果表明:通过使用贝叶斯神经网络能提高机床88.015 9%的精度,比BP神经网络高出15.763 8%,与BP神经网络模型相比,贝叶斯神经网络具有更加优良预测性能。贝叶斯神经网络模型为降低机床热误差的影响提供了新思路。     

基于深度置信神经网络的变风量空调送风量的预测

送风量的精准预测是实现变风量空调蓄冷量精确控制的重要环节.本文根据变风量空调送风量的影响参数,基于深度置信神经网络方法,建立变风量空调送风量的预测模型.将该模型的预测结果同BP、Elman和模糊神经网络的预测结果进行对比,结果表明,深度置信神经网络的预测精度最高,平均绝对相对误差、均方根相对误差和决定系数分别为1.55...     

焊接缺陷磁光成像卷积神经网络识别方法

对焊件表面及亚表面微小焊接缺陷进行检测是保证焊接质量的关键,提出一种基于深层卷积神经网络的磁光成像焊接缺陷检测方法.以法拉第磁致旋光效应为基础,分析磁光成像原理,建立深层卷积网络预测模型,研究不同模型结构参数对训练结果的影响.通过对深度卷积神经网络中间机理分析,研究模型训练过程并自动寻找卷积核最优参数.试验结果表明,第...