基于果蝇算法优化广义回归神经网络的凝汽器真空预测

针对凝汽器真空模型复杂而难以准确建立的问题,提出了基于果蝇算法优化广义回归神经网络(FOAGRNN)构建凝汽器真空预测模型的新方法。为了简化网络模型,通过计算平均影响值(MIV)筛选出对凝汽器真空影响较为重要的变量。采用果蝇算法对光滑因子进行优化选取,减少人为设置参数对预测效果的影响,提高广义回归神经网络(GRNN)的预测精度。将该方法应用于660MW火电机组凝汽器真空预测,并与未经变量筛选的GRNN及FOAGRNN预测结果进行对比。结果表明筛选变量过后的FOAGRNN模型的预测精度明显优于另外两种,平均相对误差为1.0925%,能够准确地预测凝汽器真空变化值。     

基于果蝇优化算法的GRNN水电机组状态趋势预测

针对水电机组振动的非线性、非平稳特性,提出了一种基于果蝇优化算法（FOA）的广义回归神经网络（GRNN）模型（FOAGRNN ）,实现了GRNN分布参数的优化选择,并对四川省新政航电工程3台机组5个不同部位的振动序列峰峰值进行了预测,与BP神经网络预测结果的均方误差（MSE）对比结果表明,FOAGRNN预测精度较高。     

基于EMD-ESNs的光伏系统短期发电量预测

针对光伏系统发电量的影响因素,提出一种基于经验模态分解(EMD)与回声状态网络(ESNs)的组合光伏系统短期发电功率预测方法。通过对同日类型的历史发电功率数据进行EMD,得到其不同尺度的周期分量和趋势分量;滤除其体现数据差异的各个较小周期分量,针对体现数据共性的分量建立ESNs预测模型;最后,将预测值与趋势分量组合得到最终的预测结果。预测结果对比分析表明:该方法与单一回声状态网络、BP神经网络和小波神经网络预测方法相比,计算速度快,预测精度高,稳定性好。     

基于灰色理论与神经网络的柴油机相继增压系统故障预测与诊断(英文)

增压柴油机是一个具有不确定性的复杂系统,灰色理论是一种处理不确定性的理论.为了保证柴油机的可靠运行,使用灰色预测理论与神经网络技术对柴油机相继增压系统进行了故障预测与诊断.采用MAT-LAB语言编制了灰色预测程序并训练了神经网络,训练好的神经网络具有良好的泛化性.采用GM(1,1)模型对相继增压柴油机运行参数进行预测,对于波动数据,使用改进GM(1,1)模型进行预测,预测参数与试验数据的相对误差均在5%以内.预测参数送入已培训好的神经网络中,对柴油机相继增压系统可能发生的故障进行预测与诊断.     

电弧炉神经网络预测补偿控制系统设计与实现

利用神经网络预测技术设计实现了一套电弧炉电极智能控制系统,介绍了系统的整体结构和实现技术。系统采用神经网络预测电弧炉电弧下一时刻的状态,然后利用此预测结果对PID控制器的输出进行调整,使系统较好地适应负载和外扰的变化,从而获得满意的控制质量。     

基于自适应粒子群优化BP神经网络的氨法烟气脱硫效率预测

针对氨法烟气脱硫效率的预测问题,建立了以脱硫系统运行中8个主要参数作为输入变量的BP神经网络模型,采用粒子群优化算法(PSO)对建立的BP神经网络模型的权值进行优化,提出基于粒子群优化算法的BP神经网络(PSO-BP)预测新模型,并利用某电厂脱硫系统20组运行数据对该模型进行了验证.结果表明:采用PSO算法对BP神经网络的权值和阈值进行寻优,避免了网络局部极小值的出现,提高了网络的泛化能力,采用PSO-BP预测模型可以对氨法烟气脱硫效率进行较高精度的预测.     

应用遗传算法优化BP神经网络预测太阳能PV/T系统热电产出

PV/T集热器系统是一种能够同时提供低品位热能和高品位电能的新型太阳能系统,在光伏发电同时回收光伏余热,降低光伏板温度的同时不仅可以提高发电效率,而且能够将余热收集起来并转化应用于供暖和生活热水系统。本文利用遗传算法优化神经网络的方法建立了太阳能光伏光热(PV/T)系统性能的仿真预测模型,并与单一(Back Propag ation) BP神经网络的预测模型进行了对比分析。仿真预测结果表明：太阳能PV/T系统性能遗传算法优化BP神经网络模型的预测值与实际值拟合度较好,且预测精确度优于单一BP神经网络模型。其中遗传BP神经网络模型预测电效率的平均相对误差为1%,相对误差小于2%的样本占比大于95%;预测蓄热水箱温度的绝对平均误差仅为0.2℃,最大相对误差不超过1%。     

基于COA-LSSVM模型的边坡位移时序预测

鉴于预测边坡位移变化对边坡稳定性的重要意义,利用布谷鸟优化算法(COA)对最小二乘支持向量机(LSSVM)的核函数参数和惩罚因子进行寻优,从而建立了边坡位移时序预测的COA-LSSVM模型,并将该模型应用于锦屏一级水电站左岸高边坡变形预测中。与PSO-LSSVM模型的预测结果对比表明,COA-LSSVM模型具有更高的预测精度,预测结果更接近于实际的监测数据。     

基于轴承温度的风机齿轮箱故障预警研究

齿轮箱轴承作为能量传递的关键部件,对风机状态评估具有重要意义。文章针对齿轮箱故障,提出了基于改进的粒子群算法(APSO)优化的BP神经网络齿轮箱轴承温度预测模型。首先,基于主成分分析法,选取SCADA系统中影响齿轮箱轴承温度的参数,建立正常状态下的齿轮箱轴承温度预测模型,通过对轴承温度残差值进行分析,得出风机故障告警和报警阈值,从而实现对齿轮箱故障的有效预警;最后,利用华北某风电场的数据进行实验仿真,对比分析粒子群(PSO)优化的BP神经网络预测模型和传统BP神经网络预测模型。结果表明,提出的预测方法拥有精度高、收敛速度快等优点。     

内燃机车增压系统性能评估与预测

提出一种内燃机车增压系统综合性能评估和预测的新方法。介绍了有关参数的选择与测量,利用模糊综合评判方法对增压系统进行性能评估,利用灰色神经网络对增压系统的性能进行预测。通过实例表明,该方法可对增压器性能进行准确评估和预测,为实现增压器状态修提供了依据。     

基于BP神经网络和均匀设计的边坡敏感性分析

为在边坡稳定性评价中确定影响因素的敏感性,采用BP神经网络和均匀试验设计相结合的方法对边坡进行敏感性分析。基于BP神经网络的非线性映射关系,利用均匀设计理论,使试验点分布更均匀、代表性更强,在考虑多因素交互作用的同时,大幅减少了试验次数。以某一岩体边坡为例,应用均匀设计理论建立边坡敏感性分析模型,并应用灰色关联分析方法评价其敏感性。结果表明,各因素对该边坡稳定性的关联度由大到小依次为重度、内摩擦角、粘聚力、边坡高度、孔隙水压力、边坡角。     

改进熵权-正态云模型在边坡稳定性评价中的应用

针对边坡稳定等级影响因素的不确定性、模糊性和时变性问题,引入云模型理论,综合考虑地形地貌、水文气象、地质环境等各方面因素,选取岩石质量指标等7个评价指标,提出了基于改进熵权-正态云模型的边坡稳定性评价方法。该方法通过云模型正向发生器计算各指标对应评价等级的确定度,基于改进熵权法确定各指标权重,以此综合评价边坡稳定性等级。以桂柳高速公路边坡为例建模计算,该方法评价结论与理想点法以及神经网络一致,证明该方法是可行的。     

Synchronous machine steady-state stability analysis using anartificial neural network

In the developed artificial neural network, those system variables which play an important role in steady-state stability, such as generator outputs and power system stabilizer parameters, are used as the inputs. The output of the neural net provides the information on steady-state stability. Once the connection weights of the neural network have been learned using a set of training data derived offline, the neural net can be applied to analyze the steady-state stability of the system in real-time situations where the operating conditions change with time. To demonstrate the effectiveness of the proposed neural net, steady-state stability analysis is performed on a synchronous generator connected to a large power system. It is found that the proposed neural net requires much less training time than the multilayer feedforward network with back-propagation-momentum learning algorithm. It is also concluded from test results that correct stability assessment can be achieved by the neural network     

车用汽油机过渡工况空燃比的神经网络控制研究

针对车用汽油机过渡工况空燃比难于精确控制的特点,提出了一种空燃比的神经网络复合控制策略。控制系统通过神经网络控制和常规PI控制实现前馈反馈控制,常规PI控制器利用氧传感器信号实现反馈控制,保证系统的稳定性,且抑制扰动;神经网络控制实现前馈控制,提高控制系统过渡工况时的响应能力。神经网络采用径向基神经网络,其输入为影响汽油机进气量的两个主要因素发动机转速与节气门开度。通过在线学习常规PI控制输出,使系统的总控制输出由神经网络产生,系统具有较高的自适应功能,有效避免目前过渡工况空燃比控制需进行大量标定的不足。仿真结果表明该控制方法是有效的。     

关中电网切负荷稳定控制系统的研究

本文介绍了关中电网切负荷稳定控制系统的总体方案，着重研究了控制系统主站的切负荷稳定控制规律，建立了能适应日方式变化、不同跨线故障的切负荷稳定控制神经网络，给出了能随系统网络拓扑变化的切负荷控制神经网络的应用方案，提出了神经网络和控制策略表相结合的切负荷量计算方法。     

基于改进GA-BP网络算法的边坡力学参数反演分析

针对BP神经网络收敛速度慢和易陷入局部极小值等不足,通过改进遗传算法,显著提升遗传算法的全局寻优能力,进而优化BP神经网络初始权值和阈值。结合工程算例,采用正交法设计参数样本,利用边坡工程的有限元正分析模型计算出反演分析所需的样本,建立基于改进的GA-BP网络算法反分析模型,经过网络训练,得到符合实测效应量值的反演参数值,对比GA-BP网络算法和改进GA-BP网络算法的反分析模型结果可知,改进GA-BP网络算法反分析模型在解的稳定性和求解精度上均得到了较大提高。研究成果可供类似工程参考。     

基于DTW-VMD-PSO-BP的光伏发电功率短期预测方法

针对光伏发电系统短期预测影响因素较多、预测精度较低、稳定度不高等问题,提出一种基于动态时间弯曲（DTW）和变分模态分解（VMD）的粒子群（PSO）优化的BP神经网络光伏发电预测方法。首先使用动态时间弯曲算法对光伏发电功率及影响因素的数据进行测算得到DTW值,再根据DTW值选择对光伏发电功率影响较大的辐射度作为主要影响因素,然后利用变分模态分解将影响因素及光伏发电功率进行分解,降低数据的波动性和非平稳性。运用粒子群优化的BP神经网络对各分量进行预测,然后将预测结果进行叠加,叠加所得结果即为最后预测结果。在Matlab中对该方法和其他神经网络进行算例验证和误差分析,结果表明采用该方法预测结果精度高,稳定性好。     

基于小波包变换与遗传膜优化的BP神经网络的孤岛检测方法

光伏并网分布式发电运行中,为保障系统运行的稳定和安全,需具备较高的孤岛检测能力。为此,提出了基于小波包变换与遗传膜优化BP神经网络的孤岛检测方法,在不添加任何扰动的情况下,能实现无盲区检测,弥补传统被动式和主动式孤岛检测存在的不足,通过对PCC点电压信号进行小波包变换提取特征向量,并作为神经网络的输入样本,再利用WPT-GAPS-BP神经网络算法进行孤岛判断。通过仿真,验证了该方法的检测速度和精度更快更准确,具有一定的可行性和可靠性。     

Improved artificial neural network method for predicting photovoltaic output performance

To ensure the safety and stability of power grids with photovoltaic (PV) generation integration, it is necessary to predict the output performance of PV modules under varying operating conditions. In this paper, an improved artificial neural network (ANN) method is proposed to predict the electrical characteristics of a PV module by combining several neural networks under different environmental conditions. To study the dependence of the output performance on the solar irradiance and temperature, the proposed neural network model is composed of four neural networks, it called multi- neural network (MANN). Each neural network consists of three layers, in which the input is solar radiation, and the module temperature and output are five physical parameters of the single diode model. The experimental data were divided into four groups and used for training the neural networks. The electrical properties of PV modules, including I–V curves, P– V curves, and normalized root mean square error, were obtained and discussed. The effectiveness and accuracy of this method is verified by the experimental data for different types of PV modules. Compared with the traditional single-ANN (SANN) method, the proposed method shows better accuracy under different operating conditions.     

基于遗传算法的BP神经网络在水利定额编制中的应用

针对BP神经网络易陷入局部最优和遗传算法全局搜索速度过慢的缺点及水利定额编制中存在非线性和复杂性的实际状况,提出采用遗传算法(GA)优化BP神经网络在水利定额编制中的问题。实例分析表明,优化后模型(GA-BP神经网络)结合了BP神经网络的非线性逼近、局部寻优能力和遗传算法的全局搜索特性,在稳定性、预测精度、收敛速度上均优于BP神经网络,可运用于水利定额编制。