基于BP神经网络的多孔介质减振器隔振效果分析

针对磁性液体多孔介质减振器的隔振系数难以精确快速计算的问题,提出使用BP神经网络计算该种减振器的隔振系数,并利用BP神经网络对振动情况进行反馈。使用一款自主设计的磁性液体多孔介质减振器,它能够单独改变影响隔振系数的四种物理量:磁性液体被吸附体积V、外磁场磁感应强度大小B、振动频率f和振动平均速度v。当四个物理量变化范围分别在1~2.4ml,0.22~0.4T,2.8~3.35Hz,0.02~0.27m/s时,测量四个物理量单独对隔振系数的影响,并将实验数据输入到BP神经网络中建立起有效的映射网络,最后通过实验分析BP神经网络在计算隔振系数上的误差以及它在控制减振效果中的可行性。最终得出BP神经网络能准确快速计算减振器隔振系数、能精确输出反馈信号的结论。     

汞吸附过程的试验研究和数学模型

在固定床试验台上,以汞渗透管和其它主要气体成分模拟烟气条件,采用活性炭和飞灰对汞的吸附过程进行了试验研究。结果表明:随Hg0入口含量的增加,活性炭、飞灰的吸附量增加,初始吸附量与Hg0的含量成正比例增加;吸附反应温度升高,活性炭、飞灰的吸附能力降低,这主要是由物理吸附的机理决定的。颗粒物理特性的差异成为飞灰与活性炭的吸附能力之差距的原因之一。另外,针对固定床吸附过程,建立了由质量平衡、传质过程以及吸附剂表面反应过程等综合决定的吸附动力学模型。模拟值与试验结果较吻合,因此该模型可用于某些待定影响因素的预测计算。     

基于RBF神经网络和BP神经网络的燃煤锅炉NO_x排放预测

基于某超超临界660 MW机组燃煤锅炉现场热态实验数据,利用MATLAB智能工具箱,分别采用径向基(RBF)神经网络和BP神经网络对该锅炉NOx排放特性进行建模,采用交替梯度算法对RBF神经网络预测模型进行输出层权值及RBF函数的中心与标准偏差值优化,对BP神经网络采用动量法进行改进。2种模型的仿真和预测结果对比分析表明:参数优化后的RBF神经网络预测模型预测结果的最大误差为3.0%,平均误差为1.75%;改进后的BP神经网络预测模型预测结果最大误差为6.6%,平均误差为4.5%;2种建模方法均具有较好的准确性和泛化能力,其中RBF神经网络模型的计算速度快,拟合和泛化能力更强。     

活性炭泡沫体吸附去除锅炉补给水中腐植酸的试验研究

以活性炭粉末(PAC)、聚氨酯发泡剂为主要原料制备了一种新型高效腐植酸吸附剂--活性炭泡沫体,考察了腐植酸溶液pH值、腐植酸溶液初始浓度、活性炭泡沫体的使用量和吸附时间对吸附过程与吸附效果的影响.试验发现,活性炭泡沫体对腐植酸吸附平衡时间约为5 h;在酸性(pH值为3.5)及偏酸性(pH值为5.5)条件下,10%活性碳泡沫体对腐植酸吸附率较高,在腐植酸初始浓度低于10 mg/L时其吸附率达94%,初始浓度在(20～40)mg/L时吸附率亦达到60%～85%.试验结果表明:活性炭泡沫体是一种新型高效的吸附剂,在酸性与偏酸性条件下对天然水中腐植酸有很好的吸附效果;活性炭泡沫体吸附腐植酸符合langmuir模型.     

基于子种群自适应思维进化-BP神经网络的锂离子电池SOC估计

荷电状态SOC(state of charge)是锂离子电池的重要参数之一,SOC的精准估计对电池组安全可靠运行具有重要意义。针对误差反向传播BP(back propagation)神经网络易收敛至局部最优,导致基于BP网络的SOC估计精度不高的问题,提出子种群自适应趋同策略改进思维进化算法,用其优化BP神经网络的初始权值及阈值,优化后的BP网络简称SAMEA-BP神经网络。结合充放电实验数据,将SAMEA-BP神经网络与标准BP神经网络、思维进化算法优化的BP(MEA-BP)神经网络用于锂离子电池的SOC估计,并对3种方法做了对比分析。结果表明：标准BP神经网络的预测误差保持在9%以内,MEA-BP及SAMEA-BP神经网络分别将误差降低至5%及3%以内,在不同工况下和不同温度下,SAMEA-BP有良好适应性,且估计精度高于BP和MEA-BP。     

基于BP算法的模拟电路故障诊断

文中就BP神经网络的学习算法进行了分析,使用PSPICE软件对电路进行仿真,在此基础上建立了模拟电路的BP神经网络故障字典库。通过查阅字典库实现模拟电路的故障诊断。指出了BP神经网络在模拟电路故障诊断过程中存在的网络泛化性能差的问题,并提出了解决办法。经过仿真实验验证,这种方法用与模拟电路故障诊断相结合能够提高神经网络检测故障的智能性,提高故障诊断的准确性,结果较好,具有一定的应用价值。     

基于移民算子遗传BP神经网络的模拟电路故障诊断

针对传统BP神经网络实现模拟电路故障诊断时存在的缺陷:容易收敛于局部最优值且训练时间过长等,提出了利用遗传算法(GA)优化的BP神经网络来对模拟电路进行故障诊断的方法.实验结果证明,优化后的BP网络可有效地避免收敛于局部最优值,大大地缩短了训练时间.同时为了提高遗传优化的收敛速度和精度,避免"早熟"现象,本文提出了一种引入移民算子的遗传算法,仿真结果表明了该算法的有效性.     

反向传播算法运用于电力系统神经网络的分析研究

着重研究了神经网络模型中的反向传播算法即BP算法，并对电力系统中两个 一次结线特殊的厂站的检修批答神经网络建立了BP模型，分析了BP算法中 初始权值、学习因子、冲量因子、隐含层数和隐含层节点数对该神经网络学习 过程的影响，实验结果证明，适当地选择初始权值、学习因子、隐含层节点数 等可以大大提高神经网络的学习速度,减少迭代时间，满足电力系统神经网络在线 学习的要求。     

基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。     

基于粒子群优化BP神经网络的速度观测器

利用BP神经网络可以逼近任意的非线性关系的特点,构建一个神经网络速度观测器.由于BP神经网络的初始权值和阈值的选择存在随机性,对网络的性能影响很大,但又无法准确获得,提出将PSO算法与BP算法结合的方法,通过粒子群算法优化BP神经网络,得到最佳初始权值和阈值,提高了速度观测器的精度.通过实验采集的数据来训练这个神经网络,实验结果证明了该方法的有效性.     

AGA-BP神经网络用于变压器超高频局部放电模式识别

结合自适应遗传算法(AGA)和BP算法各自的优点，本文构造了AGA—BP混合算法作为神经网络的学习算法。分别采用BP、AGA和AGA—BP神经网络对实验室中变压器超高频局部放电自动识别系统检测列的五种放电类型进行了模式识别。实验结果表明，AGA—BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题，又提高了AGA神经网络的收敛速度、稳定性和求解质量，具有较高的识别率和较强的推广能力。     

专家系统与BP神经网络相结合的短期负荷预测

研究了专家系统结合神经网络BP算法在短期电力负荷预测中的应用.对神经网络BP算法进行改进,使用BP算法对咸阳电网实际负荷数据进行预测,并将预测值与实际负荷值进行比较,总结其长期的发展变化规律.同时汲取有关专家学者和专业预测人员的经验知识,形成一系列的规则集,从而模拟人类专家的决策过程进行推理和判断,形成一个专家系统,以此来改进采用单一BP算法进行预测的种种不足.结果表明,经验知识越成熟,推理规则越完备,对提高预测精度越有利,对神经网络BP算法的预测值进一步修正的可能性越大.     

基于超声波法的GIS绝缘缺陷类型识别

在气体绝缘组合电器(gas insulated switchgear,GIS)实体模型内部模拟了高压导体表面突起、悬浮金属颗粒和绝缘子表面固定金属颗粒三种绝缘缺陷,其中用针-板放电模型模拟高压导体表面突起缺陷。GIS模型内部充入0.4MPa的SF6气体,当加压到60kV时,三种模型均有稳定的放电。用超声波传感器分别测得其响应的放电波形100组,取相邻两个半波的信号幅值差的绝对值Udif和一个周波内的信号值的绝对值之和Utal作为特征量,用BP神经网络进行识别,识别率在80%左右,最后用最小距离分类器与BP神经网络的分类结果做对比,证明了BP神经网络的优越性。     

基于BP神经网络QoS到QoE映射模型

随着互联网的发展,基于语音和视频的网络应用服务层出不穷,人们开始不仅仅满足于知道网络 QoS 参数,更加关注网络服务的好坏,即 QoE 评价指标。目前常用的视频 QoE 评价的方法是基于图像评价的算法如 PSNR 算法、VQM 评价算法等。这些算法需要原始视频图像进行对比,较为复杂,实时性差。本文研究了一种基于 BP 神经网络的 QoS 到流媒体 QoE 映射模型,使用抖动和丢包两个网络 QoS 参数作为输入层神经元,基于 VQM 算法的 QoE 评价值作为输出层神经元。使用若干组 QoS 和 QoE 数据训练该 BP 神经网络,分别使用单隐含层 BP 神经网络和多隐含层 BP 神经网络进行效果对比,之后使用该神经网络和 QoS 参数对 QoE 评价值进行预测,并与 QoE 实际值比较验证。得到基于 BP 神经网络的 QoS 到 QoE 的映射模型。该模型较为简单,拟合度高,RMS 误差较小。     

基于IGSA-BP网络的瓦斯涌出量预测模型

为提高煤矿瓦斯涌出量预测的精度和效率,提出一种基于改进的万有引力算法(IGSA)的BP神经网络IGSA-BP瓦斯涌出量预测模型。由于BP神经网络的初始权值和阈值对网络的预测精度和收敛速度有较大影响,采用改进的万有引力算法训练BP神经网络的初始权值和阈值,引入粒子群算法记忆与社会信息交流的思想,对万有引力算法(GSA)的速度与位置更新公式进行改进,采用Tent混沌映射增加GSA种群的多样性,使算法避免陷入局部极值并增强GSA的遍历搜索能力。结果表明,改进的万有引力BP神经网络预测结果的误差在0. 20 m~3/min以内,与未经改进的万有引力BP神经网络和粒子群BP神经网络相比,预测精度分别提高了近5倍和10倍,说明该方法对煤矿瓦斯涌出量具有更好的预测精度和收敛速度。     

基于BCL-ASA-BP神经网络的模拟电路板芯片故障诊断

针对模拟电路板芯片故障界定标准不明确和实现快速、准确分类困难的问题,本文提出了一种基于双元卷积Logistic原子搜索算法(Binary Convolution Logistic-Atom Search Algorithm,BCL-ASA)优化BP神经网络(BCL-ASA-BP)的故障诊断模型。首先,对电路板芯片不同状态下的温度进行采集和特征提取,并采用欧氏距离对特征进行融合,建立含有芯片故障界定标准的故障特征模型。接着,利用双元卷积Logistic映射初始化原子搜索算法的种群规模和位置,提高收敛速度和精度。然后,通过BCL-ASA优化BP神经网络寻优过程,获得最优权值和阈值。最后,将芯片故障特征模型输入到BCL-ASA-BP神经网络中进行训练和测试,完成电路板芯片故障诊断。实验采用电源电路板进行可靠性分析,结果表明,BCL-ASA-BP对芯片故障综合诊断准确率可达98.35%,较传统BP算法提升13.9%。     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。     

基于传递函数自我优化的BP网络算法改进

目前使用比较普遍的优化方法对BP算法改进之后,改进的BP神经网络预测过程都存在复杂程度变大、更加消耗人力资源等缺陷。针对这些缺陷,本文提出一种传递函数自我优化算法来改进神经网络。然后将改进的网络应用到风电功率预测中,以东北某风电场一段时间的风电运行数据作为实验样本,分别采用传统BP神经网络和改进的BP神经网络进行预测分析。仿真结果证明,改进之后的BP神经网络不仅有更快的收敛速度,还有更加精确的预测结果,并且不需要认为干预整个预测过程。极大提高了网络的预测能力和效率。     

载溴高硫石油焦活性炭脱汞实验研究

以石化工业副产物高硫石油焦制备的活性炭为脱汞吸附剂,对其进行NH4Br溶液浸渍改性成为载溴富硫活性炭。采用N2吸附/脱附、扫描电子显微镜/X射线能谱仪(scanning electron microscopy/X-ray energy dispersive spectroscope,SEM/EDS)等方法对吸附剂进行孔隙结构和微观形貌表征。分别在固定床反应器和管道喷射实验装置上进行汞吸附脱除实验研究。与煤制活性炭相比,高硫石油焦活性炭具有更高的汞吸附能力,经过质量分数为1%的NH4Br溶液改性后,石油焦活性炭固定床120 min内汞脱除率接近100%;在120℃、2 s停留时间、碳汞比约为90 000条件下,喷射脱汞效率亦超过90%。实验结果表明,溴化铵改性高硫石油焦活性炭可作为燃煤电厂烟气喷射脱汞的高效吸附剂。     

广东省用电需求预测与储能式热力发电展望

社会用电量预测是电力系统的重要工作之一。本文采用BP神经网络对广东省全省用电量进行了预测,所得仿真模拟值与历史数据基本吻合,表明BP神经网络预测模型有较高的预测精度。基于预测结果,对可再生能源发电,特别是氨基热化学储能式太阳能热力发电在广东省的发展进行了展望。