基于GA-RBF神经网络的电力系统短期负荷预测

针对短期负荷预测问题,提出了一种遗传算法-径向基函数(GA-RBF)神经网络负荷预测方法,解决传统径向基函数(RBF)神经网络预测中难以确定最佳隐藏层数问题,以提高预测的准确性。首先分析了GA算法模型和RBF神经网络模型;然后利用GA算法与RBF模型结合得到GA-RBF负荷预测模型;最后利用仿真工具对所建模型进行训练和预测。结果表明,与传统方法相比,其平均绝对百分误差值降低了4. 7%,证明了该方法的精确性和有效性。     

一种电力系统短期负荷预测的RBF优化算法

针对径向基函数网络在电力系统短期负荷预测中的应用，将神经网络训练的冲量改进算法运用到径向基函数网络的训练中，提高了训练收敛速度和精度，详细介绍了短期负荷预测的建模过程，实验表明该优化算法能有效改善预测性能。     

模糊聚类与径向基网络相结合的短期负荷预测

为了提高电力系统短期负荷预测的准确度,采用模糊聚类分析的方法对已知负荷数据、日类型、温度和天气类型等影响短期负荷预测的相关因素进行聚类分析,选用同类特征数据作为神经网络的输入,对径向基函数神经网络进行训练,得到一组预测值,从而实现电力系统短期负荷预测.实际算例表明模糊聚类分析与径向基函数神经网络相结合的短期负荷预测可以更好的满足实际预测要求,提高预测精度.     

基于GA-RBF神经网络的光伏电池MPPT研究

讨论了光伏电池非线性输出特性,在此基础上,结合径向基函数神经网络的特点,提出了基于遗传算法优化的径向基函数神经网络方法,并将该方法用到了电池的最大功率点跟踪预测中。仿真及实验结果表明,与传统的径向基函数神经网络相比,该方法克服了网络参数选择的随机性,具有更高的精度和适应能力。     

基于径向基函数网络的经济时序预测模型

介绍了径向基函数(RBF)神经网络的结构和特点。给出了其在经济时间序列预测中的应用，较为系统地阐述了RBF神经网络在经济预测中应用的步骤和过程。与BP模型相比该模型在预测精度和收敛速度方面具有显著的优点。     

瓦斯涌出量的人工神经网络预测的研究

基于反向传播神经网络、径向基函数神经网络和广义回归神经网络对采煤工作面瓦斯涌出量进行预测,比较和分析了瓦斯涌出量的预测值和实测值,并选定精度评价体系对预测结果进行评定。结果表明:反向传播神经网络、广义回归神经网络和径向基函数神经网络都能够较好的预测瓦斯涌出量,其中径向基函数神经网络的预测更精准。径向基函数神经网络的后验差检验比值c=0.07,小误差概率P=1.0,预测误差精度达到1级。     

径向基神经网络在摩擦学中的应用

建立了润滑油摩擦学特性影响规律的径向基神经网络模型,可以较准确地计算和预测润滑油摩擦系数与负荷之间的关系,并进一步基于神经网络给出了两种不同润滑油之间的泛函数关系.为摩擦学设计和程序化计算和分析提供了一种方便且有效的工具.     

基于QPSO-RBFNN和模糊理论的电力系统短期负荷预测方法

在基于径向基函数神经网络（RBFNN）的电力系统短期负荷预测的基础上,采用量子粒子群优化算法（QPSO）优化神经网络权值,并运用模糊理论进行修正预测模型,提出基于QPSO—RBFNN和模糊理论的电力系统短期负荷预测方法．仿真实例计算结果表明该方法收敛速度快、预报精度高,具有工程应用前景．     

基于径向基函数神经网络偏差补偿的预测函数控制

基于线性模型设计预测函数控制器，用径向基函数神经网络（RBFNN）来补偿由系统的非线性和外界干扰引起的预测误差，从而实现非线性系统的自适应预测函数控制。将该控制算法用于pH中和滴定过程，仿真实验表明该算法计算量小，控制效果好。     

晶体振荡器老化预测的径向基函数神经网络法

建立了预测石英晶体振荡器老化的一种径向基函数神经网络模型,这种人工神经网络由输入层和输出层组成,输入层由计算径向距离范数的非线性神经元组成,输出层由一个计算径向基函数的神经元组成.提出了确定规格化径向距离尺度因子的一种方法,并在此基础上导出了一种径向基函数神经网络的学习算法,这种算法具有计算形式简单和易于实现的优点,适合于用加速老化法和外推法进行石英晶体振荡器老化预测的实验数据处理.     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

基于稀疏核偏最小二乘法的短期负荷预测研究

支持向量机方法已成功地应用在负荷预测领域,但它在训练数据时存在数据处理量太大、处理速度慢等缺点。为此提出了一种基于稀疏核偏最小二乘法的预测方法,通过在高维特征空间的稀疏化,可减少在训练过程中的数据量,从而提高预测的速度和精度,将该方法应用于短期负荷预测中,与SVM方法相比,得到了较高的预测精度。     

基于B/S结构的电力培训管理信息系统的设计与实现

结合电力行业培训工作实际,采用C#语言开发了基于B/S结构的电力培训管理信息系统,该系统已在安徽省电力公司培训中心相关环境中投入使用,确保培训管理制度的贯彻实施,提高了培训管理等级,简化了管理模式,大大减轻了管理人员的重复劳动和工作负担。     

Kriging序贯设计方法在滑动轴承优化中的应用

利用Kriging代理模型提供目标函数无偏预测值和理论置信区间的优势,比较传统试验设计方法和基于Kriging模型的序贯加点方法对模型的影响,结合设计空间的全局搜索和最优解临近区间的局部搜索,引入并行加点准则及相应的收敛条件,得到精度、效率高的代理模型,用2个经典优化测试函数进行验证和评估.结果表明,与传统试验设计方法相比,基于Kriging的序贯加点方法得到的模型全局精度更高且能更快地收敛到优化问题的真实最优解.最后,以动静压滑动轴承为优化设计对象,单位承载力下摩擦功耗为目标函数,考虑几何结构及工况等约束条件,采用传统试验设计方案和Kriging序贯加点方案分别建立目标函数的模型,分别进行优化设计,并同传统的复合形优化结果进行对比. 3种方案对比结果显示,Kriging加点方案在有限迭代步数下,对于降低单位承载力下的摩擦功耗效果最为显著,验证了该方法快速收敛的特性.     

面向对象技术在空调负荷计算中的应用

本文利用对象技术原理分析了空调负荷计算中的实体模型．在应用域分析的基础上设计建立了一种空调负荷对象模型型系统,并建立了一套具有广泛适应性和可扩充性的软件类库．通过应用先进的面向对象的程序设计技术和C＋＋语言在Windows环境下开发空调负荷计算程序的实践,探讨了建立暖通空调专业应用软件构件,简化应用系统开发的可行性．     

催化裂化装置反应再生工段动态仿真培训系统

以安庆石化总厂炼油厂催化装置反应再生过程为具体对象 ,根据反应机理和现场操作数据 ,建立了系统的动态数学模型 ,开发了仿真培训系统并成功地应用于操作工人的培训。同时 ,介绍了系统的功能、仿真数学模型及应用效果     

蓄冰系统负荷转移率的最优计算

分析了负荷转移率与蓄冰系统经济性之间关系,指出负荷转移率的大小是蓄冰系统经济性各因素的最充分代表之一,通过建立经济评价模型和软件,给出了负荷转移率的具体确定方法及工程应用实例。     

优化EfficientDet深度学习的车辆检测

针对深度学习EfficientDet模型的车辆检测性能进行分析,基于训练过程中容易陷入局部最优进行优化改进,构建分阶段自适应的训练模型,利用该训练模型对短距离和远距离车辆进行检测,并将检测结果与基于Cascade R?CNN和CenterNet方法进行比较,从计算复杂度、耗时及检测精度三方面分析显示本文方法优于其他两种...     

单排配筋剪力墙结构单元工作性能试验研究

为研究双向单排配筋混凝土剪力墙和双向双排配筋混凝土剪力墙空间力学性能的差异,对1个1/2缩尺的双向单排配筋混凝土剪力墙结构单元模型进行了单向重复竖向荷载下的试验研究.模型的一侧墙体为双向双排钢筋,另一侧为双向单排配筋,对应楼板中心位置施加竖向荷载,通过传力装置向楼板均衡施加荷载.在试验的基础上,分析了试件的承载力、滞回特性、刚度、墙体平面外工作性能、破坏特征,并用屈服线分析法计算了模型的竖向承载能力.试验表明,即使在楼板严重破坏的情况下,由于剪力墙的腹板与翼缘的共同工作,楼板两侧墙体的滞回曲线和墙体平面外挠度都比较接近,两侧墙体与楼板的相互作用差异不大,两侧墙体平面外的工作性能相近.研究结果表明,经过合理设计的双向单排配筋剪力墙可以满足抗震要求.     

基于参考模型神经网络的锅炉燃烧系统控制

大纯时延、煤种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。本文作者提出了改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,辨识出非线性对象的延迟时间的方法,将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合,可用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制,同时,以10t／h链条炉作为研究对象进行仿真,仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快,鲁棒性能好等优点。