基于多变量LSTM的工业传感器时序数据预测

传感器时序数据预测作为工业自动化和智能化的关键过程,对于自动化生产监督、风险预防和技术改进等具有重要意义.考虑到传统基于统计学的时序分析方法通用性弱、普通循环神经网络模型存在长期依赖的不足,针对工业设备温度、压力和电流强度等时序数据预测问题,提出了一种基于多变量分析的长短时记忆神经网络时序预测方法,该方法利用数据的远距离信息和多变量相关性,有效地提高了工业传感器时序数据预测的准确性.实验选取瑞典某公司的机械装载传感器数据用于训练和测试,通过与单变量长短时记忆模型以及其它主流时序预测算法比较,证明了该方法具备较好的预测性能和通用性.     

基于汽车领域的神经网络动态矩阵的误差补偿控制研究

基于预测控制算法的动态矩阵控制理论,改进得到了算法模型的误差相关矩阵,给出约束多变量DMC模型以及神经网络误差补偿的动态矩阵控制验证,在误差控制仿真验证中,应用神经网络误差补偿的预测控制效果优势明显,这一研究对模糊预测技术的进一步推广应用有一定的促进作用。     

弹性光网络中结合预测的多维感知RSA算法

弹性光网络(EON)中的传统路由频谱分配(RSA)算法多考虑路由跳数或频谱资源占用情况,缺乏时域与相邻链路的信息有效利用.提出一种结合预测的多维感知RSA算法,对持续时间已知业务的历史时间信息通过后向传播神经网络预测未来业务的时间信息,在路由时综合考虑时间、频谱和相邻链路资源占用程度.仿真结果表明:与传统RSA算法相比...     

基于PSO-WaveNet的短期风电功率预测

为了应对风电大规模并网给电力系统带来的严峻挑战,同时提高风力发电的市场竞争力,需要对短期风电功率进行准确预测.文中将小波分析和粒子群优化理论引入神经网络——PSO-WaveNet算法.该算法构建了稳定的风电功率预测网络模型,同时利用灰色关联算法确定网络的输入参量.弥补了神经网络容易陷入局部最优值的缺陷,实验结果表明用算法进行风电功率预测提高了预测精度,验证了该混合算法的可行性.     

风力发电及其智能控制技术探讨

简要概述风力发电机组的运行原理、构成、控制系统,介绍定桨距失速、变桨距失速、变速等风力发电技术,同时探讨了神经网络控制、模糊控制、专家系统控制、线性最优控制、综合智能控制等智能控制技术,进一步分析风力发电及其智能控制技术的未来发展前景,以期为风力发电智能控制技术的研发和创新提供理论指导。     

灰色-BP神经网络模型预测区域气温

本文旨在提出更为准确的区域气温预测方法。预测试验基于我国广东省深圳市某一时间段内的气温数据,尝试运用了灰色-BP神经网络模型对未来648个时间点(规定1个小时为一个预测时间点)的气温情况进行预测。通过软件仿真得到预测结果,并对预测结果进行了定性评估。仿真发现,该预测方法兼具BP神经网络和灰色模型的特长,能有效提高区域气温预测的精度。     

用神经元网络识别仿射变换下的飞机模型

本文推广了付立叶描绘矛的方法,产生了一组在任意仿射变换下都不改变的不变量,用这些不变量来训练一个三层网感知器对飞机模型进行识别和分类.在本文中我们引进了一个加速算法可以大大减少学习时间.最后,给出了用这个神经网分类器进行识别和分类的结果及其抗噪声性能.     

基于BP神经网络的智能电网配电系统改进算法的研究

提出一种基于BP神经网络的智能电网配电系统改进算法.由于BP网络是一种按误差逆传播算法训练的多层前馈网络,具有学习性,可以根据已有的配电参数样本集进行训练,从中分析出内蒙古各地区根据时间不同所配电的分配情况的内在联系,实现对以后配电系统进行自适应控制.该算法的优点就是在构造过程考虑了BP的预测精度和训练时间,采用了梯度下降法的方法,进行Matlab仿真实验,获得了较为准确的预测结果.     

基于情感神经网络的风电功率预测

风力发电功率预测对于风能并网具有重要意义.采用一种可用于复杂系统和模式建模的新型神经网络——情感神经网络,对风力发电功率进行预测.为防止ENN在训练时陷入局部最优解,提出采用遗传算法对其进行训练.采用预测误差的均方根和标准差衡量预测准确性、稳定性,对ENN性能进行了检验.结果表明,相比于人工神经网络、支持向量机和自滑动回归模型,ENN能够获得更高的预测准确率和预测可靠性.     

基于改进Elman网络模型的软件可靠性预测

为提高神经网络模型对软件可靠性预测结果的准确性和可信性,提出了一种基于多目标优化算法改进Elman网络模型Mop-IElman(multi-objective optimization-based improved Elman neural network)的方法:1)在Elman网络基础上,设计输出层的延迟反馈层,作为另一个状态层;2)以网络的结构和2个状态层的初始输出值为网络配置的变量,以网络的预测精度和顽健性为目标,采用NSGA-II(non-dominated sorting genetic algorithm II)进行多目标优化得到帕累托解,最大化网络预测精度与顽健性之和从而确定网络配置。通过两组实际软件失效数据对Mop-IElman进行实验验证,并与前馈网络、Elman网络、单目标优化Elman网络以及多目标优化Elman网络进行比较研究,结果表明Mop-IElman的预测结果具有较高的准确性和可信性。     

基于小波变换和神经网络的短期风电功率预测方法

为了降低电网调度的操作复杂性,同时提升风电功率的预测精度,本文主要分析影响风电功率预测方法的因素,包括风向、风速以及环境温度等方面,同时经过对比研究,小波变换和神经网络的短期风电功率预测方法能够提升预测精度.     

Wind Power Pattern Forecasting Based on Projected Clustering and Classification Methods

A model that precisely forecasts how much wind power is generated is critical for making decisions on power generation and infrastructure updates. Existing studies have estimated wind power from wind speed using forecasting models such as ANFIS, SMO, k‐NN, and ANN. This study applies a projected clustering technique to identify wind power patterns of wind turbines; profiles the resulting characteristics; and defines hourly and daily power patterns using wind power data collected over a year‐long period. A wind power pattern prediction stage uses a time interval feature that is essential for producing representative patterns through a projected clustering technique along with the existing temperature and wind direction from the classifier input. During this stage, this feature is applied to the wind speed, which is the most significant input of a forecasting model. As the test results show, nine hourly power patterns and seven daily power patterns are produced with respect to the Korean wind turbines used in this study. As a result of forecasting the hourly and daily power patterns using the temperature, wind direction, and time interval features for the wind speed, the ANFIS and SMO models show an excellent performance.     

深度神经网络在风电功率预测中的应用研究

风电功率预测对于电网建设具有重要意义。文中提出一种基于深度神经网络的风电功率预测方法,该方法充分考虑了影响风电功率的若干因素,如风速、风向、空气密度和季节,通过深度神经网络训练、学习给出最佳的功率预测值。通过深度神经网络学习的特征能够更为有效地反映实际情况,因此提高了风电功率预测的稳健性。基于内蒙古某风电厂的实测数据进行了验证实验,结果表明了提出方法的有效性。     

基于多普勒激光雷达的风场预测

采用灰色理论、BP神经网络、布朗三次指数平滑算法来对雷达风场预测进行研究。利用香港国际机场激光雷达数据对风场PPI扫描风速进行预测,得到了预测时刻机场区域整个风场的概况,让飞行员能提前了解机场区域内未来一段时间的风场环境;使用下滑道扫描数据对飞机在下滑道附近的迎头风进行预测,从而更精确地预测飞机在起飞和降落过程中将会遇到的风场波动,使飞行员能够在风切变探测系统告警之前,增加飞行员进行反应和相关准备的时间。对实验结果的统计分析表明:布朗三次指数平滑预测在延长预测时间时,预测精度随时间的增加而下降的趋势较明显;灰色预测和BP网络预测在风场变化很大的情况和延长预测时间时,仍能在一定程度上保证预测精度;灰色预测较BP网络预测效果稍好。     

基于Elman神经网络的电力负荷预测模型研究

为提高电力负荷预测精度,文章采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点。     

A Fuzzy Logical MPPT Control Strategy for PMSG Wind Generation Systems

Making full use of wind power is one of the main purposes of the wind turbine generator control. Conventional hill climbing search (HCS) method can realize the maximum power point tracking (MPPT). However, the step size of HCS method is constant so that it cannot consider both steady-state response and dynamic response. A fuzzy logical control (FLC) algorithm is proposed to solve this problem in this paper, which can track the maximum power point (MPP) quickly and smoothly. To evaluate MPPT algorithms, four performance indices are also proposed in this paper. They are the energy captured by wind turbine, the maximum power-point tracking time when wind speed changes slowly, the fluctuation magnitude of real power during steady state, and the energy captured by wind turbine when wind speed changes fast. Three cases are designed and simulated in MATLAB/Simulink respectively. The comparison of the three MPPT strategies concludes that the proposed fuzzy logical control algorithm is more superior to the conventional HCS algorithms.     

基于模型预测控制的微电网优化调度

模型预测控制(model predictive control,MPC)作为一种滚动优化方法,能够很好的处理可再生能源出力不确定的问题。经典模型预测控制的预测时域长度固定,不能很好的适应经济调度问题。文章提出了变预测时域长度的模型预测方法,根据日前预测光伏风力发电、负荷数据,使用遗传算法合理配置每个时刻的预测时域长度值,获得更低的运行成本。     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

Wind speed prediction based on nested shared weight long short-term memory network

With the expansion of wind speed data sets, decreasing model training time is of great significance to the time cost of wind speed prediction. And imperfection of the model evaluation system also affect the wind speed prediction. To address these challenges, a hybrid method based on feature extraction, nested shared weight long short-term memory(NSWLSTM) network and Gaussian process regression(GPR) was proposed. The feature extraction of wind speed promises the best performance of the model. NSWLSTM model reduces the training time of long short-term memory(LSTM) network and improves the prediction accuracy. Besides, it adopted a method combined NSWLSTM with GPR(NSWLSTM-GPR) to provide the probabilistic prediction of wind speed. The probabilistic prediction can provide information that deviates from the predicted value, which is conducive to risk assessment and optimal scheduling. The simulation results show that the proposed method can obtain high-precision point prediction, appropriate prediction interval and reliable probabilistic prediction results with shorter training time on the wind speed prediction.