基于BP神经网络的风电场发电功率短期预测

结合我国风电发展的基本情况,分析总结了国内外风力发电功率预测的现状及方法。由于BP神经网络能以任意精度逼近任意非线性映射并且泛化能力强,所以运用BP神经网络法来进行功率预测,建立内蒙某风电场提供的数值天气预报数据与发电功率的映射模型。利用MATLAB进行仿真,验证设计预测模型的实际可行性,并且预测精度满足相关要求。最后运用VB简单设计开发了一个风电功率预测系统。     

基于开源硬件和物联网云平台的远程控制应用

利用Raspberry Pi、Arduino等开源硬件,基于物联网云平台Yeelink,以个人家庭为实验对象,搭建了智能控制系统并进行远程控制实验,得到一个稳定、性价比高的家庭智能管理系统。     

基于云遗传算法优化BP神经网络的轨道客流预测

城市轨道交通客流预测是线路规划和运营组织的基础,为提高客流预测的准确度,提出了基于云遗传算法优化BP神经网络的轨道客流预测模型.首先利用云模型云滴的随机性和稳定倾向性改进传统遗传算法中固定设置交叉和变异率的方式,克服了标准遗传算法搜索速度慢及容易早熟的缺陷;再通过改进后的遗传算法来优化BP神经网络的初始权值和阈值;最后...     

基于人工鱼群优化BP神经网络的光伏功率预测算法

光伏发电的间歇性和不稳定性是影响光伏电能质量的重要因素之一.低质量电能并网会给电网安全运行带来巨大影响,导致电网消纳光伏的能力下降.光伏功率预测可以有效解决这一问题.然而,目前的光伏功率预测算法大多存在速度和精度不能兼顾的问题.为解决此问题,提出将人工鱼群算法与BP神经网结合,利用人工鱼群算法优化神经网络的权值和阈值....     

基于PSO-RNN的光伏发电功率预测研究

针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型。采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性。该研究为光伏发电功率预测提供了理论参考。     

基于云平台的实验室环境监测系统设计研究

按照实验室通风及废气净化需求,须对实验室环境进行实时监测,为此基于云平台设计了一套实验室环境智能监测系统,其监测数据包括实验室环境温湿度、实验室多种废气浓度、酒精、一氧化碳、可燃性气体(甲烷、液化气等)、粉尘等.该系统选用STM32F103C8T6作为微处理芯片,采用监测指标传感器实时获取实验室环境数据并基于OLED屏...     

云模型RBF神经网络的数据中心温度预测

数据中心温度预测在提高能量利用效率、降低机房空调耗电量方面具有重要意义。RBF神经网络广泛用于温度预测领域,考虑到传统RBF神经网络无法对影响温度的众多因子进行确定和选择,本文提出了一种将云模型和RBF神经网络结合的新模型。通过高维云变换确定RBF隐含层神经元,使RBF神经网络充分表达影响温度各因子的不确定性,进一步优化RBF神经网络结构。实验结果表明,该模型能较好地实现对数据中心温度的预测。     

基于CNN–LSTM的风电场发电功率迁移预测方法

随着能源消耗的持续增长和全球气候问题的日趋严峻,以风能为代表的清洁能源装机容量正在稳步提升。为更好地消纳风电,需要准确的风电场发电功率预测为配套设施建设和未来规划制定提供有效依据。针对在缺少风电历史运行数据时预测精度较低的问题,提出一种基于卷积神经网络–长短期记忆神经网络（CNN–LSTM）的规划阶段风电场发电功率预测模型。首先,基于参考电站历史数据提取风速–风电功率实测数据点,采用3次样条插值进行风电功率曲线建模。然后,采用K–means聚类算法,根据风速–风电功率的特性关系划分参考风电场的区域类别。综合考虑风电功率与多维气象因素的特征关系和功率的时序特性,构建CNN–LSTM预测模型,提出基于功率曲线的预测结果修正方法。最后,基于某地风电场实际数据进行算例分析,并与使用标准功率曲线和未进行修正时的预测结果进行对比分析。结果表明：基于风速–风电功率特性的风电场聚类可以实现参考风电场的优化识别;所提模型预测结果优于传统标准功率曲线预测方法,基于功率曲线的修正方法进一步提升了预测效果。基于深度学习算法的规划阶段风电场发电功率迁移预测模型综合考虑了风力发电特性和多维环境因素,其有效性得到了...     

CDMA系统中的反向预测功率控制算法

根据CDMA系统反向功率控制命令帧的结构特点，提出了CDMA反向链路预测功率控制算法．该算法可以根据功率控制命令帧中各比特接收功率的不同，通过线性算法预测出基站下一个接收信号将要经历的衰落，并以此为基础形成功率控制命令，对衰落事先进行补偿．仿真表明，预测功率控制和其他功率控制算法相比，能够有效减小基站接收功率的变化，提高系统容量．     

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.     

基于一维云模型的交通信息预测算法

云模型是对语言值所蕴含的模糊性和随机性的一种数学描述，它用期望值、熵和超熵表征定性概念，将概念的模糊性和随机性集成在一起，能够实现定量与定性之间的相互转换，因而对交通信息的高度不确定性具有很强的鲁棒性．基于云模型提出的预测机制在一定程度上有效地解决了交通信息存在的模糊性和随机性问题，为交通信息预测提供了一种新的方法．检验结果表明预测值基本上与实际值吻合．     

基于云平台的电动汽车充电站远程设备监控系统

随着电动汽车充电站数量的不断增加,充电站的监控管理愈发重要;本研究基于云平台,设计开发了一套电动汽车充电站远程设备监控系统。首先,设计了充电站远程设备监控系统的5层结构;其次,基于ASP.NET技术和IIS服务器,使用C#语言开发了远程设备监控系统的Web服务器,并根据充电站的特点对系统的数据库结构进行设计;然后,基于Web前端语言和Ajax技术,开发云平台客户端界面。该系统实现了充电站设备远程实时监控和集中管理,故障信息报警和统计,以及维修处理过程实时监控功能,为电动汽车充电站的集中监控管理提供了方便。     

基于功率预测的电压型PWM整流器直接功率控制研究

介绍了三相电压型PWM整流器的基于功率预测的直接功率控制原理,分析了使用该方法的控制系统的性能．并使用该方法进行了仿真试验。用该方法设计的控制器能对输出电压进行良好的控制,能保证接近单位功率因数运行。     

基于云平台的仿真软件设计

针对SiROS软件只支持C/S架构仿真的问题,设计了三类应用服务镜像将SiROS仿真软件部署在云平台上.基于Docker虚拟化、容器化技术将仿真需要用到的云端资源封装至Docker容器中,用户采用B/S架构连接云提供端Docker容器,在本地浏览器直接使用容器中分配的各类资源完成建模仿真任务.基于云平台的SiROS仿真...     

基于GRNN的海上钻井平台建造质量预测研究

对海上石油钻井平台建造质量进行有效预测,可提前预知未来建造质量状况,从而促使建造商在建造过程中,运用已有的并开发新的方法和手段,规避并解决质量不稳定因素,进一步提高建造质量和完善建造工艺.在阐述了海上钻井平台质量检测的内容及要求的基础上,利用广义回归神经网络构建了海上钻井平台建造质量预测模型,并以某自升式钻井平台为实证研究对象,运用该模型对其一年半的质量检测数据进行预测,将广义回归神经网络的预测误差与BP神经网络预测误差相比较,得出了广义回归神经网络对平台建造质量的预测精度高的结论.     

基于一维云模型的交通信息预测算法

云模型是对语言值所蕴含的模糊性和随机性的一种数学描述，它用期望值、熵和超熵表征定性概念，将概念的模糊性和随机性集成在一起,能够实现定量与定性之间的相互转换，因而对交通信息的高度不确定性具有很强的鲁棒性. 基于云模型提出的预测机制在一定程度上有效地解决了交通信息存在的模糊性和随机性问题， 为交通信息预测提供了一种新的方法.检验结果表明，预测值基本上与实际值吻合.     

基于改进循环神经网络的配电网超短期功率预测方法

针对传统单向循环神经网络在配电网超短期功率预测领域存在的预测曲线失形、模型过拟合现象以及预测精度不高和收敛速度慢等问题,提出基于小波变换和自注意力机制的双向循环神经网络改进模型。通过双向结构学习功率数据的前向和逆向规律提高模型预测精度;通过小波变换分摊整体功率预测难度以及改善过拟合和加快模型收敛速度;通过自注意力机制把握模型隐藏层维度关系进一步提高预测精度。算例证明改进模型可以有效改善上述问题,改进模型与传统单向模型相比,在有功预测场景中,MAE提升了50.1%,MAPE提升了43.3%,RMSE提升了51.1%;在无功预测场景中,MAE提升了60.5%,MAPE提升了63.8%,RMSE提升了60.1%。     

基于神经网络的CDMA系统功率控制研究

概述了CDMA系统下的关键问题之一远近效应及解决这一重要技术瓶颈的方法：功率控制。提出了基于离散Hopfield神经网络功率平衡方案，并提出对应到移动台的发射功率平衡的算法。方案中还利用了李雅普诺夫函数收敛性，使整个系统功率最终达到平衡状态。