神经网络自学习PID控制器的研究

从兼顾人工神经网络控制系统自学习能力和实时性角度出发，通过构建新的人工神经网络自学习PID控制器的结构，控制系统的样本拾取，更新与优化均采用在线学习方式，使控制系统具有较强的自学习能力。在分析了目前广为应用的多层前向神经网络误差反向传播算法(BP)的局限性及原因的基础上，提高了改进的BP算法-自适应动量项BP算法。从而提高了神经网络的收敛速度和收敛精度，并通过实例验证了自学习PID控制器的可行性及改进算法的合理性。图6参4     

基于SCADA数据分析和稀疏自编码神经网络的风电机组在线运行状态监测

通过融合稀疏自编码器和深度神经网络算法,提出一种基于SCADA数据的风电机组在线运行状态监测方法.首先,通过稀疏自编码器学习SCADA高维数据中复杂的内在特征,得到数据的降维表示;其次,基于降维后的数据利用深度神经网络预测风电机组的有功功率,通过对比分析预测功率与实际功率之间的残差判断风电机组的运行状态;最后,利用某风...     

基于改进降噪自编码器和多元时序聚类的海上风电功率预测

针对海上数值天气预报（NWP）精度低、气象因素复杂等特点,提出一种基于改进的双向降噪自编码器（BDAE）和多元时序聚类的短期海上风电功率预测方法。首先,利用Toeplitz矩阵逆协方差聚类（TICC）进行风况相似性分类,即根据30、70、100 m海上NWP风速进行多元序列实时分割与聚类;然后,针对不同风况类型分别建立可提取过去、未来双向有效信息的改进BDAE修正模型,以修正轮毂高度风速的预测误差;最后,基于修正后的轮毂高度风速以及其余NWP数据,利用TICC算法划分气象相似类型,并在此基础上建立对应的海上风电功率预测模型。采用国内某海上风电场数据进行实验验证,结果表明所提方法能提高海上风电功率预测精度,具有一定工程实用价值。     

基于自组织竞争神经网络的低电压台区预测模型

针对上海市部分配电线路低电压现象日益严重影响用户正常用电问题,为提前识别低电压风险、判断低电压配网台区的电压合格率,收集了9项反映低压配网电压质量的特征指标,训练了一个基于自组织竞争神经网络的低电压台区预测模型,实现正常、存在低电压风险和存在严重低电压风险三种类型台区的自动聚类。通过算例证实,该模型实用有效,便于及早采取措施改善电压质量,以提高供电可靠性。     

基于模糊神经网络的高压电力设备故障预测模型

电力设备作为电力系统的基本要素,对其故障风险预测可以有效降低电网故障风险带来的损失。当前应用的高压电力设备故障预测模型忽略了对高压电力设备信号的盲源分离处理,无法去除虚假故障分量,导致故障预测结果不准确、耗时较长的问题。构建新的基于模糊神经网络的高压电力设备故障预测模型。将小波降噪方法引入到盲源分离中,对高压电力设备信号完成盲源分离和小波分解;通过互信息方法将分解结果中的虚假分量删除;利用插值形态滤波的方式提取故障特征,将其设定为模糊神经网络的输入变量,构建高压电力设备故障预测模型。实验结果验证了所构建的模型在30次实验迭代过程中的误差始终不超过2.5%,均方根误差低于3.4%,预测用时测试结果在14~23 ms之间。数据表明所构建模型的预测精度较高、预测速度更快,具有明显的应用优势。     

基于自编码神经网络的汽轮机故障诊断

汽轮机正常运行工况的数据比较容易采集,而故障数据的采集存在一定的困难.针对这种情况,采用自编码神经网络对汽轮机高压缸内三个级组的运行数据进行建模,用正常运行工况下的数据训练模型之后对未知工况数据进行重构分析.通过分析,重构前后压降、温差以及效率的变化情况与常见通流故障结垢、磨损、等发生时相关参数的表现,最终分析得出高压...     

基于神经网络的西安市PM_(2.5)预测分析

选取西安市2018年除PM_(2.5)外其余主要污染物(PM_(10)、NO_2、CO、O_3、SO_2)的日均数据以及气压、温度、湿度、风速四项气象日均数据作为神经网络的输入层,PM_(2.5)的日均浓度作为输出层,建立多层感知器神经网络预测模型。通过对神经网络模型的测试,发现当隐含层数为8时,预测模型对于PM_(2.5)预测精度较高,并且通过外推预测检验验证了此模型的可行性,如能全面考虑影响PM_(2.5)浓度变化的其余因素,选择更为合适的数据集学习测试,能够再次提高模型的预测精度。     

基于BP神经网络的印染太阳能集热温度预测

温度在印染加工最重要的工艺参数,因此对太阳能的集热能力做出及时预测是太阳能集热系统在印染行业成功应用的关键,但太阳能集热受到纵多因素的影响,单纯的数学模型难以准确预测。文中采用神经网络对太阳能集热系统进行集热温度预测,根据太阳辐照度、实测温度、天气情况、进水温度等环境参数,预测印染太阳能集热系统的集热温度。结果表明,该方法速度快,结果较准确,为印染太阳能集热控制系统的设计提供了一个新的预测手段。     

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。     

基于降噪–残差神经网络的发动机部分失火故障诊断

针对发动机单缸部分失火故障,提出基于小波阈值降噪和残差神经网络的“降噪–残差神经网络”故障诊断方法。通过降噪与深度学习算法相结合,将小波阈值降噪后的振动信号输入到残差神经网络进行故障诊断;使用短残差块进一步防止网络的退化,并利用大卷积核增大长数据输入的卷积视野,提高信号故障特征的提取能力。测试结果证明该方法不仅实现了未参与训练的运转工况97%以上的故障诊断准确率,而且对于加入高斯噪声后的含噪声信号也能实现较高的诊断准确率。通过与其他故障诊断网络进行对比证明了该方法的优越性。     

PSO RBF神经网络在城市需水量预测中的应用

为克服径向基函数（RBF）神经网络由于参数选取不当而对其收敛性能的干扰,利用粒子群优化算法（PSO）的全局搜索能力对RBF神经网络的三个参数进行寻优,建立了基于PSO RBF神经网络算法的城市需水量预测模型。结果显示,PSO RBF神经网络算法拟合某市1998～2007年需水量数据的平均相对误差为0.18%,预测2008～2010年需水量数据的平均相对误差为3.84%,耗时1.2 s;通过RBF神经网络算法拟合的误差平均值为0.28%,预测的平均相对误差为5.62%,耗时2.1 s,表明PSO RBF神经网络算法具有更高的收敛速度与精度。     

基于PSO优化的BP神经网络在电动机绝缘剩余寿命预测中的应用

针对普通的电动机绝缘剩余寿命预测模型收敛速度慢、结果偏差大的缺陷,提出了一种基于粒子群算法(PSO)优化BP神经网络的电动机绝缘剩余寿命预测模型。首先,利用PSO算法全局随机最优解搜索的特性,对传统BP神经网络模型的权值和阈值进行优化设计。其次,为便于预测模型的运算处理,对采集的三相异步电动机的数据进行归一化处理。最后,结合经PSO算法优化的BP神经网络模型对三相异步电动机的绝缘剩余寿命进行试验预测。结果表明,基于PSO优化的BP神经网络比传统BP神经网络有更为精准的预测能力以及更快的收敛速度。     

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.     

基于BP神经网络的燃煤锅炉温度分布预测

燃煤锅炉燃烧运行调整的主要方法是基于尾部烟道参数的负反馈调节法,为解决该方法调节灵敏度低、精度差且滞后严重的问题,利用Fluent数值模拟计算得到炉膛内部温度分布,并通过现场热态实验数据对模拟结果进行验证;结合BP神经网络算法搭建燃烧区域温度预测模型,根据预测结果绘制炉内燃烧区域温度分布云图,实现运行参数改变时炉膛燃烧区域温度分布快速、高精度及可视化预测。结果表明:该预测模型基于对已知工况模拟结果的训练,能够对未知工况温度场进行准确预测,预测结果相对偏差为4.11%。     

基于LSTM神经网络的柴油机NOx排放预测

柴油机NO_x排放是机动车排放污染物的主要来源,有效的NO_x排放预测模型是选择性催化还原技术(SCR)控制和车载诊断系统(OBD)完成SCR监测的基础.利用长短期记忆(LSTM)神经网络预测某柴油机的NO_x排放,LSTM神经网络能够记忆时间序列先前的输入并将其用于当前的预测.将稳态工况与瞬态工况整合成新的混合工况,并在划分的测试集和全球统一瞬态试验循环(WHTC)工况上验证模型精度,结果表明:LSTM神经网络模型能够同时在稳态过程与瞬态过程取得较高的预测精度和稳定性,整合工况测试集的预测误差均方根为55.33×10~(-6),并且具备较强的泛化能力.     

基于多层次滤波降噪的IGA-NARX混凝土坝变形预测模型

针对混凝土坝变形数据中存在非高斯分布噪声污染,难以描述混凝土坝变形数据自身的趋势性、季节性的问题,采用CEEMD与粒子滤波法相结合的方法对锦屏一级大坝径向位移进行分析。先将CEEMD分解后的高频和低频分量进行区分,仅对高频分量进行粒子滤波降噪,再进行分量重构;通过多层次滤波降噪处理的位移数据驱动IGA-NARX神经网络构建预测模型,并使用R_RMSE、M_MSE等指标进行评价。工程实例验证表明,所提模型相较于对比模型在评价指标上均有一定提升,具有较好的实用价值。     

基于LSTM神经网络的电力市场日前电价预测研究

电力市场日前电价受到多种因素的影响,导致电价预测精度不高,所以设计基于长短期神经网络的电力日前电价预测方法。采集出电力市场日前电价数据,利用LSTM神经网络处理采集到的数据,更便于电价后续判断与预测。在此基础上构建电力市场日前电价预测模型,以此实现电力市场日前电价精准预测。采用对比实验的方式,验证本文所设计的基于LSTM神经网络的电力市场日前电价预测方法的预测误差较小,预测精准度更高,可以应用于实际生活中。     

基于KG-BP神经网络在秦淮河洪水水位预测中的应用

为了提高BP神经网络模型的预测精度,提出了一种基于KNN算法及GA算法优化的BP神经网络的水位预测方法(KG-BP),即通过KNN邻近算法从全样本数据中剔除与待测点相关度较低的样本集,并允许保留K个"优质"训练数据集;将筛选出的"优质"训练数据集代入GA算法中实现初始权阈值的优化;再将"优质"的样本和初始权阈值代入BP模型中进行训练。将该预测方法应用于东山站水位实际预测中,并与BP模型、GA-BP模型的预测结果进行对比分析,验证了KG-BP模型具有较高的预测精度。     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

基于BP神经网络的工业锅炉房负荷预测

针对工业锅炉房日负荷变化的特点,采用BP人工神经网络模型对热负荷进行预测。在建立模型时,考虑不同小时的热负荷差异,采用24个单输出的BP网络来分别预测每天24h负荷值;利用MATLAB神经网络工具箱NNT(Neural Network Toolbox)分别实现对24个BP网络预测模型的构建及算法改进;最后,应用一个实例对建立的预测模型和实现方法进行了仿真分析,结果证明,该负荷预测模型网络结构小、收敛速度快、预测精度高、具有较高的实用价值。