基于优化Elman神经网络的锂电池容量预测北大核心CSCD

锂离子电池容量的精确预测有利于提升电池的使用安全和避免电池滥用,受其复杂的内部电化学反应和外部使用条件影响,对其老化后的容量精确预测一直是电池管理系统的难点之一。为实现锂电池全服役周期内容量的高效准确预测,本文提出了一种基于遗传算法优化的Elman神经网络(GA-Elman)电池容量预测模型。首先选择电池不同循环下的放电容量增量、内阻以及温度数据作为有效表征电池老化和容量衰减规律的特征量,其次运用主成分分析算法对特征量进行降维以降低训练量数据维度,然后基于Elman神经网络构建电池容量预测模型,并引入遗传算法优化Elman神经网络的权值和阈值,实现对电池容量的高效精确预测,最后在不同电池上对该模型进行了验证。验证结果表明:与传统Elman神经网络和长短期记忆神经网络(long and short term memory neural network,LSTM NN)预测模型相比,GA-Elman神经网络预测模型有更好的预测精度和更高的运算效率。在不同电池上该模型预测结果的最大平均绝对误差为0.92%,最大均方根误差为1.02%,最小拟合系数为0.9679,表明该模型可以精确预测锂电池衰退过程中的容量并且对不同电池有较强的适应性。     

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Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

基于小波变换和优化的Elman神经网络的光伏功率预测

准确地预测光伏发电功率,有利于提高电网系统运行的可靠性和经济性。分析各个气象因素对光伏发电功率的影响,确立了关键的气象因素,并利用小波分析获得气象因子样本集和光伏功率样本集不同频带下的小波系数作为神经网络的输入训练集,结合Elman神经网络建立不同天气条件下的光伏功率预测模型。提出基于自适应遗传算法优化的Elman神经网络模型,优化后的Elman神经网络在晴天、阴天、雨天3种情况下预测值的平均相对误差率分别为5.43%、8.26%、14.15%,相较于Elman神经网络分别降低了13.16%、16.61%、17.33%,改善了Elman神经网络的预测精度,提高了Elman神经网络的学习能力和泛化能力,验证了所提方法的有效性。     

基于小波变换与Elman神经网络的短期风速组合预测

风速的准确预测对风电场发电系统的经济和安全运行有着重要的作用。为了克服风速随机性强的缺点,提高短期风速预测的精度,提出了一种将小波变换与Elman神经网络相结合的短期风速组合预测模型。该模型由小波预处理模块和神经网络预测模块组成。首先利用小波预处理模块将风速序列作多尺度分解,重构得到不同频段的子序列,然后利用Elman神经网络模块分别对其训练和预测。实际风速预测结果表明,与单一的Elman和ARMA法相比,该组合预测模型的预测精度有较大的改善,可以用于风电场短期风速的预测。     

基于灰色关联分析的GA-BP网络需水预测模型研究

针对城市需水预测涉及因素众多、不同地区影响因子不尽相同且多寡不一及影响因子的选择直接决定需水量预测的结果与实际是否相符等问题,提出了灰色关联分析法、遗传算法和BP神经网络相结合的需水预测模型,并以南京市为例,通过灰色关联分析法筛选出主要影响因素,采用遗传算法优化BP神经网络,构建基于灰色关联分析的GA-BP神经网络需水预测模型。实例应用结果表明,该模型用于需水预测能够比较全面地考虑需水量影响因子,与传统BP网络相比,GA-BP网络预测精度更高,训练速度更快,可作为资料时间序列较短情况下一种较好的需水预测方法。     

基于MEA-Elman神经网络的光伏发电功率短期预测

摘要： 为进一步提高光伏发电功率预测的准确度,从而将思维进化算法（MEA）和Elman神经网络相结合,通过MEA优化Elman神经网络权值和阈值,克服了Elman神经网络易陷入局部最优等缺陷。根据光伏发电系统的历史发电数据和气象数据,建立MEA-Elman神经网络预测模型并对其测试。结果表明,与原有光伏预测模型比较,该预测模型能够有效提高光伏预测的有效性和精确性。     

能源消费需求预测的Elman模型及应用

为提高能源消费需求预测精度,介绍了Elman网络的基本原理,提出了基于Elman网络的能源消费时间序列预测建模方法,以我国1996年至2011年能源消费对Elman网络预测模型训练获得最佳参数后,对2012年至2014年能源消费进行预测,预测相对误差在-0.61%~0.31%之间,结果表明,能源消费需求预测的Elman模型有较高的预测精度,能较好的反映能源消费的非线性特性与规律。     

基于Elman神经网络的风电场噪声预测模型

针对风电场噪声易受风速风向等多因素影响的特点,引入具有动态递归性能的Elman神经网络,综合考虑风速、风向和距离三个主要因素的影响,建立了基于Elman神经网络的风电场噪声预测模型,并以某风电场为例,选取基于无指向性经验拟合预测模型作为对比模型,分别预测风电场噪声,绘制风电场噪声等值线地图。结果表明,基于Elman神经网络的风电场噪声预测模型具有更高的拟合相关性系数,且噪声预测更符合实际情况。     

PEMFC的Elman神经网络建模与模糊神经网络控制

从质子交换膜燃料电池（PEMFC）实际应用的角度出发，采用Elman动态神经网络对PEMFC系统进行建模，以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络，并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度。设计了一种适应模糊神经网络控制器，根据经验确定了初始隶属度函数和模糊规则，并采用自适应学习算法不断调整隶属度函数与模糊规则参数，使控制系统获得理想的输出。仿真实验以Elman神经网络模型为参考模型，使用自适应神经网络控制算法取得了较好的控制效果。总之，所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

A novel application of artificial neural network for wind speed estimation

Providing accurate multi-steps wind speed estimation models has increasing significance, because of the important technical and economic impacts of wind speed on power grid security and environment benefits. In this study, the combined strategies for wind speed forecasting are proposed based on an intelligent data processing system using artificial neural network (ANN). Generalized regression neural network and Elman neural network are employed to form two hybrid models. The approach employs one of ANN to model the samples achieving data denoising and assimilation and apply the other to predict wind speed using the pre-processed samples. The proposed method is demonstrated in terms of the predicting improvements of the hybrid models compared with single ANN and the typical forecasting method. To give sufficient cases for the study, four observation sites with monthly average wind speed of four given years in Western China were used to test the models. Multiple evaluation methods demonstrated that the proposed method provides a promising alternative technique in monthly average wind speed estimation.     

基于BP和Elman神经网络的压气机特性的计算

采用BP神经网络和Elman神经网络对某型轴流式压气机进行了特性计算,分析了这两种神经网络在压气机特性计算方面的不同之处,结果表明BP神经网络和Elman神经网络在样本数据内插值预测的情况下都可以获得比较理想的精度,而在需要样本数据外插值预测的情况下,Elman神经网络利用逐步外插法,通过增加样本点的方式,具有更好的泛化能力。     

基于RBF-BP组合神经网络的地震预测研究

针对地震预测中预测因子高度非线性、训练样本数量有限及分布不均匀的问题,提出采用RBF-BP组合人工神经网络对地震预测因子样本进行建模和预测,并用RBF神经网络初步训练预测因子样本,将训练结果输入BP神经网络,根据期望输出值加强训练.实例分析表明,该预测方法可行并能有效提高地震预测精度.     

子波神经网络在柴油机电控燃油喷射系统中的应用

本文论述了子波神经网络的应用背景，研究了子波神经网络的结构和算法及其在柴油机电控燃油喷射系统中的应用，并与BP神经网络进行了比较。结果表明：子波神经网络具有收敛速度快，逼近性好，学习精度高等优点。     

基于广义回归神经网络模型的径流预测研究

为提高径流预报精度,构建了基于广义回归神经网络模型的径流预测模型并将其应用于浙江丽水小溪流域中,对白岩测站50年月平均径流资料进行模拟研究,并与BP神经网络模拟结果进行对比。结果表明,广义回归神经网络预测精度较BP神经网络模型高,更接近径流监测实测值,平均相对误差为11.06%,且预报结果比较稳定,为径流时间序列模拟提供了一种更优的建模方法。     

基于长短期记忆神经网络的地表太阳辐照度预测

针对地表太阳辐照度(GHI)短期预测问题,提出一种基于长短期记忆神经网络的短期太阳辐照度预测模型。采用递归结构的训练样本,以保证训练样本内部的时间耦合性。为验证所提模型预测GHI的有效性,采用算例与传统人工神经网络模型预测结果进行对比分析。结果表明:基于长短期记忆神经网络预测模型将均方误差降低88.48%,表明所建模型更适用于GHI预测。     

Static and Transient Performance Prediction for CFB Boilers Using a Bayesian—Gaussian Neural Network

INTRODUCTIONCircu1atingFluidizedBed(CFB)boilershavebeeninoperationworldwidewiththetendencytolargerscalebecauseoftheiruniqueadvantagesinenviron-mentalprotection.Thesenewboilersarereallypro-cessreactorswhichbehavedifferentlythanconven-tionalones.Thestrongernonlinearity,moresophis-ticatedvariablescouplingaswellasmoreinertiaofsolidsinventoryandthermalenergymaketheopera-tionandcontrol,especiallyoffdesignoperation,moredifficulttoimplement[1'2].Anefficientpredictionofstaticandtransientperforma…     

Application of artificial neural networks for modeling of biohydrogen production

In this study, an artificial neural network (ANN) model was developed to estimate the hydrogen production profile with time in batch studies. A back propagation artificial neural network ANN configuration of 5–6–4–1 layers was developed. The ANN inputs were the initial pH, initial substrate and biomass concentrations, temperature, and time. The model training was done using 313 data points from 26 published experiments. The correlation coefficient between the experimental and estimated hydrogen production was 0.989 for training, validating, and testing the model. Results showed that the trained ANN successfully predicted the hydrogen production profile with time for new data with a correlation coefficient of 0.976.     

Artificial neural network modelling and experimental verification of the operating current of mono-crystalline photovoltaic modules

This article presents the artificial neural network modelling of the operating current of a 120 Wp of mono-crystalline photovoltaic module. As an alternative method to analytical modelling approaches, this study uses the advantages of neural networks such as no required knowledge of internal system parameters, less computational effort and a compact solution for multivariable problems. Generalised regression neural network model is used in the present article to predict the operating current of the photovoltaic module. To show its merit, the current predicted from the artificial neural network modelling is compared to that from the analytical model. The five-parameter analytical model is drawn from the equivalent electrical circuit that includes light-generated current, diode reverse saturation current, and series and shunt resistances. The operating current predicted from both the neural and analytical models are compared to the measured current. Results have shown that the artificial neural network modelling provides a better prediction of the current than the five-parameter analytical model.