基于人工神经网络的MILD燃烧区域识别

基于人工神经网络(artificialneuralnetwork,ANN),并结合聚类分析方法,对大涡模拟仿真出的湍流燃烧场的区域进行识别,利用了聚类分析可以通过分类来提供标签的优势,充分发挥出ANN的自学习能力．以湍流MILD(moderate & intense low oxygen dilution)燃烧的HM1工况为例,搭建ANN,选择燃烧场中的物理特征,对由聚类分析提供的分类结果进行学习,来识别燃烧区域．结果表明,该方法有效提高了燃烧区域识别的准确率,并减少了大量的数据需求．为实际工业中燃烧区域的识别提供了更简单、快捷、准确的方法．     

应用人工神经网络(ANN)分析热泵型海水淡化系统产水特性

利用人工神经网络来模拟仿真热泵型海水淡化系统的性能。以空气入口干球温度和湿球温度、预冷器进口冷却水温度、预冷器出口冷却水温度、海水喷淋温度作为输入参数,建立了海水淡化系统产水(淡水)模型。对建好的神经网络模型经训练学习后,用来模拟预测预冷器和蒸发器的产水值,并且与数值模拟产水值、实验产水值进行了比较,误差较小。表明利用人工神经网络(ANN)建立的热泵型海水淡化系统仿真模型取得了满意的结果。     

基于人工神经网络和模拟集成的短期光伏发电预测

文章提出了一种基于人工神经网络(ANN)和模拟集成(AnEn)的短期光伏发电预测方法。该方法首先利用数值天气预报模型,以计算天文变量为输入,对光伏发电站点进行72 h的确定性和概率预测;然后分别运用基于ANN,AnEn和ANN+AnEn联合模型方法对3个光伏发电站点进行预测,并进一步利用模拟4 450个光伏电站的综合数据验证了该模型方法的可扩展性;最后利用美国国家大气研究中心(NCAR)的黄石超级计算机,在1个节点(32核)～4 450个节点(141 140核)内测试了该方法的并行运算处理能力。实验结果表明,基于ANN+AnEn联合模型方法可以获得最佳结果,同时证明了该方法适用于大规模并行计算。     

基于物理信息神经网络的生物质气化产物分布预测方法

机器学习方法已经在生物质气化建模中展现出广阔的应用前景。然而,机器学习模型主要依赖于实验数据,并不考虑气化中的反应机理,在数据样本不充分的情况下模型所表现出的实际关联特性与机理规律之间存在严重偏差。为此,提出一种基于物理信息神经网络(PINN)的生物质气化产物分布预测方法,该方法将真实实验数据与先验机理进行无缝衔接,在人工神经网络(ANN)模型中嵌入边界约束和关键参数间的单调性关系,通过自动微分技术进行辅助优化,实现模型的高效训练。结果表明：PINN模型的决定系数大于0.89,均方根误差小于4%,其总体预测精度要优于随机森林(RF)、支持向量机(SVM)和ANN 3种纯拟合机器学习模型;PINN模型能够严格服从边界约束和先验机理单调性关系,表现出更好的可解释性和泛化能力。     

多次喷射柴油机实时预测模型参数映射关系辨识

基于经验公式(EF)的参数间映射关系，笔者采用相同的数据和自变量集建立了基于人工神经网络(ANN)的参数间映射关系．分别搭建了EF和基于ANN的柴油机实时物理模型(EF模型和ANN模型)，在稳态和瞬态测试循环(WHTC)瞬态工况对比了两种模型的预测性能，结果表明：相比EF模型，ANN模型在稳态工况下对MFB 50、最高燃烧压力(PFP)和平均有效压力(BMEP)的预测精度更好；但是在瞬态工况下，ANN模型预测精度出现明显恶化，低于EF模型．主要原因是模型中参数存在校准误差和不确定性，ANN模型相比EF模型具有更强的非线性拟合能力，但是对参数误差更加敏感．在快速原型设备上测试了两种模型的计算耗时，两种模型计算耗时相当，均约为350μs，满足燃烧过程实时控制的要求．     

强弱射流型MILD富氧燃烧器燃烧特性的数值分析

采用计算流体力学(CFD)数值模拟方法对一种强弱射流型MILD富氧燃烧器的流动和燃烧特性进行了分析.采用有限速率/涡耗散(FR/EDM)模型预测了丙烷MILD富氧燃烧过程中烟气速度场、温度场、组分体积分数分布和烟气内循环流量比等宏观特征,并与已有实验数据进行比较,验证了模型的准确性.在此基础上深入分析了MILD富氧燃烧的化学反应区结构、湍流和化学反应时间尺度等微观特征.结果表明:强烈的烟气内循环充分地稀释并预热主反应区内的反应物,减缓了化学反应速率,从而降低了火焰峰值温度,揭示了强弱射流型MILD富氧燃烧的低氧温和燃烧特征.     

基于PSO-RBF神经网络的微电网等效建模

提出一种改进粒子群优化的RBF神经网络微电网动态等效模型及建模方法,利用RBF人工神经网络的非线性映射特性解决微电网系统并网接入的等效建模问题。基于微电网公共接入点(PCC)的电压、电流、功率等量测数据构建RBF神经网络等效模型,将接入点电压和电流分别作为神经网络的输入和输出,使神经网络的输入输出更具独立性。将混沌优化的全局遍历性引入粒子群优化算法中,构建基于全局最优解的变邻域混沌搜索提高粒子群算法的全局搜索能力,利用改进粒子群算法优化RBF神经网络模型参数提高模型计算精度。最后通过微电网并网仿真实验验证本文提出等效模型的准确性和建模方法的合理性。     

基于堆叠自动编码器的输电线路故障选相方法

针对人工神经网络(ANN)用于输电线路故障选相时收敛性差的问题,提出一种基于堆叠自动编码器(SAE)的故障选相方法,即先构建SAE深层架构模型,再将线路两端采集的故障电流、电压及相关序分量组成的综合电气量数据作为输入特征对SAE进行两阶段训练学习,该模型可充分提取输入量的高阶特征,能够对复杂故障数据进行较好地分类,进而得到精准的选相结果。仿真试验和现场实际故障数据的测试结果表明,该方法受故障位置、过渡电阻、系统电压及负荷水平等因素影响小,较人工神经网络(ANN)有更优的收敛性能和选相准确率。     

基于ANN的模拟空气击穿电压预测方法研究

提出了一种基于人工神经网络(ANN)的模拟空气(IAir)击穿电压的预测方法。ANN采用BP网络模型,由输入层、隐藏层和输出层3层组成。依据I-Air中针对板(N-P)、球对板(S-P)电极的工频交流击穿试验数据,分别进行了针对不均匀电场和稍不均匀电场2类的人工神经网络的数据和网络测试。对于不均匀电场网络,利用同一气压下若干气隙长度的击穿电压,预测同一气压下的其他气隙长度的击穿电压;对于稍不均匀电场网络,利用若干气压下的击穿电压预测另外气压下的击穿电压,并用Matlab中的ANN工具箱实现了人工神经网络模型,通过比较实测结果和预测结果发现预测平均误差小于5%,取得了较好的预测结果。预测方法可以用来在一定范围内预测I-Air的击穿电压,大大减少了试验的时间和试验投资成本。     

基于CCNN的光伏发电功率预测

高精度光伏功率预测在光伏并网、电网安全稳定运行中起着重要作用。为获得可靠的预测功率,本文提出了一种基于因果卷积神经网络（Causal Convolutional Neural Network,CCNN）的预测模型。首先,将处理后的特征数据输入到因果卷积神经网络,在每一卷积层中,利用LSTM网络输入门对输入数据去噪,选出重要信息,而后经过1×1卷积核实现信息整合,同时降低运算复杂度,从而构建出CCNN预测模型。最后,采用巴西某发电厂真实数据对模型进行验证,并与人工神经网络（ANN）、LSTM和卷积神经网络（CNN）模型进行对比。结果表明,该方法可以很好地反映时序信息的动态特性,且预测精度优于对照模型,具有一定的实用价值。     

基于非线性高斯混合回归的燃煤锅炉NOx排放浓度预测模型

为了准确测量锅炉出口的NO_x排放浓度，针对燃煤锅炉的复杂非线性，提出了一种基于非线性高斯混合回归(Nonlinear Gaussian Mixture Regression, NGMR)的NO_x排放浓度预测方法。采用滑动时间窗方法，结合奇异值分解实现稳态判定；进一步采用互信息(Mutual Information, MI)判断不同变量与NO_x排放浓度的相关性，确定模型输入变量；利用选定的输入变量，基于NGMR建立NO_x排放浓度预测模型；基于某660 MW燃煤机组运行数据，将提出的NGMR模型分别与人工神经网络(Artificial Neural Network, ANN)模型、支持向量回归(Support Vector Machine, SVR)模型以及极限学习机(Extreme Learning Machine, ELM)模型进行对比分析。结果表明：NGMR模型预测均方根误差(Root Mean Square Error, RMSE)为4.66 mg/m³,平均绝对误差(Me...     

一种结合CNN和GRU网络的超短期风电预测模型

在大型电网和小型微电网中,风力发电预测对电力系统安全和经济运行发挥着至关重要的作用。针对传统建模中风电功率时变特性的局限,进一步探索风电时间序列波动特征的潜在信息,文章提出一种结合卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元(Gated Recurrent Unit,GRU)的超短期风电预测模型。首先,该模型利用NWP气象数据为输入并将其归一化处理;然后,采用结合CNN和GRU网络对多变量时间序列进行动态时间建模,引入CNN来压缩GRU隐藏状态以减少计算模型的输出,克服训练过程中的梯度爆炸和消失问题;最后,根据风速和风力发电功率特性实现风电预测。通过实验仿真结果可知,与目前已投入运行的基于ANN的风电预测系统和近年来新兴的LSTM深度学习算法相比,该方法具有更高的预测精度,具有一定的工程价值。     

风力机系统的神经网络模型辨识

应用人工神经网络的建模方法,采用多层感知器的模型结构,利用自适应学习速率的BP学习算法,辨识出风力机系统的功能模型,并把辨识模型的仿真结果与系统实验测量数据相对比,开展了与经典系统辨识方法的比较研究,以检验神经网络模型的可靠性.实验结果表明,这种新的风力机系统建模方法具有很高的精度.     

基于BP神经网络的固体废弃物热解产物分布规律预测

选择 4 种不同种类的固体废弃物样品进行热解实验,探究在不同热解温度、停留时间、载气流量以及升温速率影响下固、液、气三态产物的分布规律．基于 BP 神经网络原理,利用 Matlab 神经网络工具箱,建立了针对不同种类废弃物在不同反应条件下的热解产物产率分布模型．模型的输入条件为反应工况和样品特性参数,输出结果为热解三态产物产率,预测值与实验值吻合良好,相关系数 R²为 0.969 6,均方根误差为 2.297 5,表明了该模型对热解过程模拟的可行性与有效性．     

基于ISSA-ELM的垃圾发电厂焚烧过程建模方法研究

为建立精确有效的垃圾发电厂焚烧过程多输入多输出模型,提出一种改进麻雀算法(ISSA)与极限学习机(ELM)相结合的垃圾发电厂焚烧过程建模方法。首先,选择变量,并基于滑动窗口筛选稳定数据;其次,采用ISSA对ELM的输入层权重和隐含层偏置进行优化,以消除输入层权重和隐藏层偏置随机选取对模型稳定性的影响;最后,将ISSA-ELM模型与传统反向传播(BP)神经网络、ELM模型、麻雀算法-极限学习机(SSA-ELM)模型进行比较。结果表明：基于ISSA-ELM的垃圾发电厂焚烧过程模型相比于BP神经网络、ELM模型、SSA-ELM模型更加精确有效,可为操作人员提供最佳操作变量以调整焚烧工况。     

湍流-化学双时间尺度PDF湍流燃烧模型及其检验

高精度航空发动机燃烧室数值模拟需要准确描述湍流和详细化学反应机理之间的强烈非线性相互作用,采用概率密度函数湍流燃烧模型(PDF)的大涡模拟方法(LES)可望达到此目的,现有PDF小尺度混合模型需要考虑化学反应的影响.本文在前人研究基础上,对小尺度混合模型中的混合时间尺度进行了修正,提出3种含湍流-化学反应双时间尺度的PDF模型,在基于LES-PDF方法的Aero Engine Combustor Simulation Code(AECSC)程序基础上,对Sandia实验室的甲烷射流火焰Flame D和Flame E进行了数值模拟,其瞬态结果显示,几种模型都能预测射流火焰的瞬时流动状态.将计算得到的标量平均值统计结果与实验数据进行对比,结果表明,采用算术平均修正的PDF模型计算结果与实验数据最接近.湍流-化学反应双时间尺度PDF模型需要进一步检验.     

基于CNN-LSTM深度学习的燃烧不稳定性检测方法研究

提出了一种基于高速火焰图像序列的深度学习模型来检测燃烧不稳定性．模型以高速火焰图像序列作为输入,结合卷积神经网络(CNN)和长短期记忆网络(LSTM)同时学习图像序列的空间特征和时间相关性,输出燃烧不稳定性检测结果．利用旋流燃烧室多种工况下稳态和非稳态的瞬态火焰图像数据集验证模型的鲁棒性和准确性．该深度学习模型被证明是一种潜在的燃烧不稳定性检测工具,并有望成为一种很有前途的燃烧不稳定性预测工具．     

风力机系统的神经网络模型辨识

应用人工神经网络的建模方法，采用多层感知器的模型结构，利用自适应学习速率的ＢＰ学习算法，辨识出风力机系统的功能模型，并把辨识模型的仿真结果与系统实验测量数据相对比，开展了与经典系统辨识方法的比较研究，以检验神经网络模型的可靠性。实验结果表明，这种新的风力机系统建模方法具有很高的精度。     

昭平台水库调度函数的人工神经网络模型

根据昭平台水库综合利用特点，建立了水库调度函数的人工神经网络(ANN)模型，并与多元线性回归模型进行了对比。研究结果表明，ANN模型能够更好地反映水库月末水位与影响因素(水库月初水位、来水量、灌溉用水量)问的复杂非线性关系，而且水库实时调度结果多年均值接近多年平均最优情况。     

基于热源耦合ORC ANN模型的循环性能预测及工质优选

基于已建立的有机朗肯循环(ORC) 人工神经网络(ANN)模型,将其与热源进行耦合,从而在不同烟气工况下对ORC进行循环性能预测及工质优选。为了分析与热源耦合的ORC ANN模型精度,基于初选的10种工质,比较了该模型与REFPROP软件对基本ORC和回热ORC的计算结果,比较结果表明：该ORC ANN模型对大部分循环参数的平均相对偏差都小于5%。在此基础上,针对不同烟气热源温度（523.15,488.15和453.15 K）,以最大净输出功为目标,分别优化循环的蒸发温度,优化结果显示：3种热源温度对应的最佳工质分别为R1336mzz(Z),R600a和R236fa。