基于BP和Elman神经网络的压气机特性的计算

采用BP神经网络和Elman神经网络对某型轴流式压气机进行了特性计算,分析了这两种神经网络在压气机特性计算方面的不同之处,结果表明BP神经网络和Elman神经网络在样本数据内插值预测的情况下都可以获得比较理想的精度,而在需要样本数据外插值预测的情况下,Elman神经网络利用逐步外插法,通过增加样本点的方式,具有更好的泛化能力。     

基于Elman神经网络的汽轮机排汽焓在线预测计算

为实现机组经济性能在线诊断,将Elman神经网络方法引入汽轮机排汽焓在线预测计算。该预测方法很好地建立了汽轮机排汽焓特性与相关运行参数之间的复杂关系模型,并以某电厂300MW汽轮机组末级抽汽及排汽焓值为例进行了在线计算,实例表明:该方法能够准确地在线预测汽轮机排汽焓值,同时具有训练速度快、结构简单、精度高等特点,是一种行之有效的预测方法。     

基于Elman神经网络的面板堆石坝沉降预测模型

分析了某面板堆石坝运行初期坝体的监测资料,选择水压分量与时效分量为影响因子构建逐步回归分析模型,应用反馈神经网络理论建立Elman神经网络模型,并与逐步回归模型预测精度做了对比分析.结果表明,Elman神经网络模型预测精度高、可靠,有助于分析大坝的安全性态.     

府环河流域综合节水潜力分析

基于国内外节水潜力内涵和计算方法,提出了流域综合节水潜力的概念.以府环河流域为例,根据2008年用水指标构建了流域综合节水潜力计算指标体系,并分析计算了流域广阔的节水前景.结果表明,采取有效节水措施后流域综合节水量6.94×108m3,占2008年总用水量的28.9%.     

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Elman神经网络的风电场噪声预测模型

针对风电场噪声易受风速风向等多因素影响的特点,引入具有动态递归性能的Elman神经网络,综合考虑风速、风向和距离三个主要因素的影响,建立了基于Elman神经网络的风电场噪声预测模型,并以某风电场为例,选取基于无指向性经验拟合预测模型作为对比模型,分别预测风电场噪声,绘制风电场噪声等值线地图。结果表明,基于Elman神经网络的风电场噪声预测模型具有更高的拟合相关性系数,且噪声预测更符合实际情况。     

基于差分电压和Elman神经网络的锂离子电池RUL预测方法

锂离子电池剩余使用寿命(remaining useful life,RUL)预测对电池的使用维护极为重要,提出一种基于差分电压和Elman神经网络预测锂离子电池RUL的方法.首先,根据美国国家航天航空局(National Aeronautics and Space Administration,NASA)的锂离子电池数据集,分析电池差分电压曲线和充放电曲线,提取电池容量退化特征量;其次,通过Pearson法分析特征量之间的相关性,将充电差分电压曲线初始拐点值、放电差分电压曲线峰值、放电时间、静置时间作为电池RUL预测的间接健康因子;最后,建立以上述间接健康因子为输入,电池容量为输出的Elman神经网络,进行锂离子电池的RUL预测.基于不同间接健康因子和不同神经网络的四种电池容量预测对比实验表明,在间接健康因子中加入充电差分电压曲线初始拐点值和放电差分电压曲线峰值可以提高电池寿命预测精度,Elman神经网络可准确预测电池容量.基于不同循环次数预测电池RUL,预测的平均均方根误差为1.55％.     

基于改进人工蜂群算法的Elman神经网络风机故障诊断

在风机齿轮箱故障诊断过程中,针对由于故障数据稀疏导致模型建立困难的问题,提出一种使用改进人工蜂群算法(IABC)优化Elman神经网络的故障诊断模型。该模型通过建立齿轮箱正常状态下的温度模型,采用残差分析,得到齿轮箱的故障状态,降低了建立模型的复杂度。采用IABC对Elman神经网络的相关参数进行优化,解决了Elman网络收敛速率慢、易陷入局部最优的问题。在IABC算法中,观察蜂阶段采用动态搜索策略,实现搜索能力和开发能力的平衡;在侦查蜂阶段,通过引入混沌变量扰动,增大种群多样性,进而达到全局最优。通过华北某风电场历史数据进行实验,结果表明,IABC与Elman神经网络的结合可对风机齿轮箱故障状态进行识别,且诊断正确率较高,可应用于实际故障诊断。     

基于小波变换与Elman神经网络的短期风速组合预测

风速的准确预测对风电场发电系统的经济和安全运行有着重要的作用。为了克服风速随机性强的缺点,提高短期风速预测的精度,提出了一种将小波变换与Elman神经网络相结合的短期风速组合预测模型。该模型由小波预处理模块和神经网络预测模块组成。首先利用小波预处理模块将风速序列作多尺度分解,重构得到不同频段的子序列,然后利用Elman神经网络模块分别对其训练和预测。实际风速预测结果表明,与单一的Elman和ARMA法相比,该组合预测模型的预测精度有较大的改善,可以用于风电场短期风速的预测。     

基于改进型Elman神经网络和遗传算法的锅炉在线燃烧优化

目前,电站锅炉燃烧优化要求在保证燃烧效率的基础上降低NOx的排放,即同时满足电站经济性和环保的要求。利用改进型Elman网络结构简单、计算量小、容易收敛和动态学习的特点,建立锅炉燃烧预测模型,并结合遗传算法的寻优特性,在线地搜寻出一定工况下可操作量的最优控制方案,可实时地指导运行人员。仿真试验结果表明,该预测模型实现了锅炉高效低氮燃烧优化寻优,且满足实时性的要求。     

基于改进Elman反馈型动态神经网络的配电网可靠性评估

快速准确地进行配电网可靠性评估具有重要意义,然而传统的配电网可靠性评估方法并不适用于评估大规模配电系统的综合可靠性指标,对大规模电网的可靠性进行评估时往往会造成建模困难、计算量剧增的问题。因此,提出基于Improved-Elman(IElman)反馈型动态神经网络的配电网可靠性评估方法,即在Elman神经网络的承接层中加入自反馈连接增益系数来衡量历史信息对未来状态的影响程度,并通过思维进化算法对Elman神经网络的相关参数进行优化。在采用神经网络评估前,利用灰色关联度分析对神经网络的输入变量进行预处理。所提出的方法与普通神经网络评估模型相比,平均相对误差由5.43×10~(-4)降到7.32×10~(-5),表明该方法能够有效简化计算,提高神经网络对复杂问题的评估精度。     

基于Elman神经网络的超超临界机组汽水分离器应力在线软测量模型

根据超超临界锅炉汽水分离器的结构特点建立了三维有限元模型,以某1000MW机组为例模拟了其启动过程的总应力场．将有限元法和神经网络法相结合,以有限元计算结果作为训练样本,以介质压力和筒体壁温序列为辅助变量,建立了基于Elman神经网络的分离器应力动态软测量模型,通过模型的训练,确定了准确的应力预测模型结构．应用电厂实际运行监测数据对所建立的Elman网络软测量模型进行验证,结果表明：模型计算结果可很好地逼近有限元结果,预测精度高,实时性好,可为锅炉寿命的在线监测提供数据支持．     

基于小波和Elman神经网络的气液两相流流型识别方法

传统的流型识别方法仅可作为一种定性的流型识别方法。为了克服传统流型方法的不足,采用小波分析和El-man神经网络技术来实现气液两相流流型的智能识别,测量了水平管内气液两相流的压差波动信号,应用小波分析对流型的动态压差波动信号进行分析、提取特征,然后将小波能量作为Elman神经网络的输入,从而实现对流型的智能识别。实验结果证明,该方法能够很准确地识别出4种流型,并且具有很好的识别效果,从而为流型的在线识别提供了一种定量的流型识别方法。     

PEMFC的Elman神经网络建模与模糊神经网络控制

从质子交换膜燃料电池（PEMFC）实际应用的角度出发，采用Elman动态神经网络对PEMFC系统进行建模，以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络，并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度。设计了一种适应模糊神经网络控制器，根据经验确定了初始隶属度函数和模糊规则，并采用自适应学习算法不断调整隶属度函数与模糊规则参数，使控制系统获得理想的输出。仿真实验以Elman神经网络模型为参考模型，使用自适应神经网络控制算法取得了较好的控制效果。总之，所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

GA Elman多元变量需水预测模型及其应用

针对传统静态前馈神经网络动态性能差、预测精度不高等问题,以上海市需水预测为例,提出一种基于遗传算法(GA)优化Elman神经网络连接权值的GA-Elman模型,并与GA-BP、Elman、BP需水预测模型做了对比。结果表明,GA-Elman需水预测模型行之有效,预测平均相对误差和最大相对误差分别仅为2.764%和6.578%,优于其他预测模型,具有较好的预测精度和泛化能力。     

基于RBF神经网络的面状水体识别模型及其应用

针对面状水体识别过程中面状水体数据特征不宜提取、伪洼地易与面状水体混淆的问题,通过分析面状水体的面积、深度和潜在出水口等基本DEM数据特征,构建了面状水体识别模型,并将面状水体的三个数据特征和面状水体识别模型的计算结果作为输入输出神经元,利用RBF神经网络对建立的面状水体识别模型进行了仿真验证。从全国1∶250 000 DEM数据中选取150组洼地数据作为样本数据,采用减聚类算法对RBF神经网络进行训练,训练时样本的最小平均相对误差为2.75%,仿真的准确率为98%,表明面状水体识别模型可解决面状水体和伪洼地难以区分的问题,并提高了面状水体识别的准确率。