开窗自然通风热损失预测评估方法研究

根据某办公建筑开窗热损失实测结果,运用多元线性回归、BP神经网络、径向基函数神经网络(RBF)完成其热损失值预测,得到回归模型调整R~2为0.517,拟合度相对较低;BP神经网络预测结果最大误差为1.25×10~5,最小为0.1×10~5,较出现局部最低值,但不能满足整体最低值;RBF与实际值几乎相同,残差值波动小于BP神经网络,确定径向基函数神经网络预测效果最佳,BP神经网络次之,多元线性回归只适用于粗略预测。     

基于LS-SVM-RBF网络模型的洋河水库入库径流量模拟

针对采用传统的时间序列等方法模拟入库径流量精度不高的问题,基于最小二乘向量机(LS-SVM)与径向基神经网络(RBF)的相似性结构,利用最小二乘向量机优化径向基神经网络结构,构建了LS-SVM-RBF网络模型,模拟研究了洋河水库入库径流量的变化趋势,并选取BP网络模型和RBF网络模型作为对比模型,以决定系数、合格率、平均相对误差、最大相对误差、均方根绝对误差5个统计学参量作为模型性能评价指标。结果表明,LS-SVM-RBF模型的泛化能力与精度较BP网络模型和RBF网络模型均有较大提高,其决定系数和合格率均为最高,而平均相对误差、最大相对误差、均方根绝对误差三个指标均为最低,检验结果与训练效果相吻合,可见LS-SVM-RBF网络模型误差最小,且具有较高的可靠性。     

基于BP和RBF神经网络的机组能耗特性研究

火电机组在运行过程中不仅产生大量的历史数据,同时这些边界参数还与热耗率之间存在复杂的非线性关系。针对某电厂的实时数据,首先利用敏感性分析,从大量的机组运行参数中筛选出对机组能耗影响较大的重要参数:负荷、循环水入口温度、主蒸汽温度、再热蒸汽温度、主蒸汽压力、循环水流量。然后,对BP和RBF神经网络在热耗率与机组边界参数的应用进行了对比分析。训练和预测结果表明,BP和RBF神经网络都能对此进行分析研究,但RBF比BP神经网络的训练和预测的相对误差较小些,可以更准确地对机组热耗进行预测。为今后的可控参数优化提供了有效的模型,具有一定指导意义。     

基于不同人工神经网络的CNG发动机排气温度预测模型研究

为了提高CNG发动机排气温度预测精度,基于BP、RBF和GRNN神经网络建立了3种排气温度的预测模型。开展了CNG发动机台架实验,测量了不同工况条件下发动机的排气温度,利用实验值对模型进行训练,并预测了不同发动机转速、空气进气量、点火提前角等条件下的排气温度,将预测值与实验值进行了对比分析,评估了不同预测模型的准确性。结果表明:BP、RBF和GRNN 3种神经网络的误差分别为3.5%、2.8%和3.1%。RBF神经网络的预测误差比BP和GRNN神经网络的误差小,稳定性强,更适合CNG发动机的排气温度预测。     

BP/RBF神经网络与模糊规则耦合的电站锅炉燃烧控制

针对电站锅炉NOx浓度和发电效率的非线性及复杂耦合关系问题,分别建立某320 MW火电机组RBF神经网络模型、BP神经网络模型和模糊规则模型.采用满负荷70％ ～ 80％的常规工况进行训练,RBF神经网络有效地预测了发电效率及NOx排放浓度,平均相对误差分别为2.03％和2.41％.根据专家经验制定25条模糊控制规则,...     

基于神经网络方法预测翅片参数对车用中冷器性能的影响

鉴于翅片几何参数对换热器流动传热性能影响的典型非线性特性,采用人工神经网络技术对该问题的可行性进行了研究.利用风洞试验数据作为学习和测试样本,将翅片的高度、节距、扭幅和波长作为输入变量,分别建立了3层反向传播(BP)神经网络和径向基函数(RBF)神经网络,对其进行学习训练与优化后,用来预测波纹翅片几何参数变化对中冷器性能的影响.预测结果表明:BP神经网络预测平均误差在5.5 %以内,满足工程实际需要,可以减少大量的试验工作量;而RBF神经网络预测误差非常大,完全不适用于该问题的研究,并对可能原因进行了分析.     

蜂群算法在太阳电池寿命预测参数辨识中的应用

为解决太阳电池寿命预测模型参数辨识中参数辨识精度低的问题,提出采用人工蜂群算法进行太阳电池寿命预测模型参数辨识的方法。利用人工蜂群算法的局部快速搜索能力和高效全局收敛性能,对太阳电池寿命预测的电流衰减模型的五参数进行辨识,给定失效阈值利用电流衰减模型进行最大寿命预测。运用人工蜂群算法和最小二乘法辨识的均方根误差RMSE分别为2.858×10/~(-4)和1.337×10~(-3),R~2分别为0.9228和0.8666,实验分析表明:人工蜂群算法求得的均方根误差、误差平方和与R~2明显优于最小二乘法,为太阳电池寿命预测的电流衰减模型参数辨识提供一种新的思路。     

质子交换膜燃料电池膜电极组件温度分布的神经网络预测模型

质子交换膜燃料电池膜电极组件表面的温度分布会影响质子交换膜燃料电池的性能、寿命和可靠性.为探究质子交换膜燃料电池传热规律,本文提出了一种基于神经网络的质子交换膜燃料电池膜电极组件温度分布的预测模型.本研究选取径向基函数神经网络(RBF)和广义回归神经网络(GRNN)两种神经网络,以电流密度、温度点的位置作为网络输入,不同位置的温度作为网络输出,对平行流道质子交换膜燃料电池、蛇形流道质子交换膜燃料电池分别建立了神经网络预测模型.结果显示,RBF神经网络预测的均方根误差平均为0.464、平均绝对百分误差为1.179％,GRNN神经网络预测的均方根误差平均为0.7155、平均绝对百分误差为2.27％;相较于GRNN神经网络,RBF神经网络精度更高;基于RBF神经网络的平行流道质子交换膜燃料电池膜电极组件温度分布预测模型预测值与96％的实验值的相对误差在5％以内.基于RBF神经网络的蛇形流道质子交换膜燃料电池膜电极组件温度分布预测模型预测值与95％的实验值的相对误差在5％以内.     

基于MMAS BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。     

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。     

基于缸盖振动信号时域特征识别气缸压力的研究

在不同的燃烧状况下同时测量缸盖表面振动信号和缸内压力信号,通过对两信号的分析得到与缸内燃烧过程密切相关的振动信号的频谱范围,据此设计了FIR低通滤波器,并对振动信号进行滤渡处理.通过分析滤波后的振动信号与缸内压力信号可知,缸盖表面振动信号同缸内压力信号在时域上具有密切联系.建立了BP和RBF神经网络,并用同样的训练样本进行训练,训练的结果表明,RBF神经网络可以在更短的训练时间内,获得更小的均方误差.用同样的测试样本对神经网络进行检验的结果表明,RBF神经网络重构的缸内压力波形更逼近于实际波形.     

RBF神经网络在坝肩断(夹)层位移监测中的应用

针对RBF神经网络可解决BP算法收敛速度慢、易陷于局部最小等问题,介绍了RBF下神经网络的训练与设计方法,构建了某坝坝肩断(夹)层位移数据分析的RBF神经网络,并对测试样本进行了预测.结果表明,采用该法的预测误差约为±0.2 mm,预测效果较好.     

基于线性回归与BP神经网络的火电厂燃煤碳排放计算研究

针对燃煤电厂普遍缺少煤炭元素分析数据的现状,以我国商品煤煤质数据库中的3 000余条煤质数据为基础,分别采用线性回归、BP神经网络、SSA BP神经网络模型对煤炭工业分析数据进行建模,预测煤炭元素分析含碳量,进而从原料侧计算燃煤碳排放,3种模型对于煤炭元素分析含碳量预测的相对误差分别为8.40%,2.51%,1.30%。选取某百万机组燃煤电厂平稳负荷、波动负荷、升负荷、降负荷4种典型工况,从原料侧通过上述3种模型开展电厂燃煤连续碳排放计算,并与电厂烟气侧检测碳排放值进行比较。结果表明：线性回归、BP神经网络、SSA BP神经网络模型可以较好地推测元素分析含碳量。3种模型在平稳负荷的低负荷、中负荷、高负荷3种工况下,与锅炉烟气侧测量所得燃煤碳排放的均方根误差RMSE分别为0.35,0.08,0.07;0.87,0.37,0.09;0.23,0.19,0.17。在升负荷、降负荷、波动负荷工况下,3种模型计算值的均方根误差RMSE分别为1.00,0.84,0.71;1.43,1.24, 0.73;1.33,1.15,0.93。以某电厂典型工作日为例,3种模型对日总碳排放计算值与烟气检测法获得的碳排放相对偏差分别为12.28%,5.52%,0.22%。SSA BP神经网络模型煤质预测和碳排放计算结果与烟气侧测量值偏差最小。     

大伙房水库水质预测模型研究

水质为水库运行管理的重要因素,水质变量包括溶解氧、总磷、叶绿素a及透明度等,是水库富营养化判定的重要指标。在线性回归法分析的基础上,优化环境因子参数,分别采用多元线性回归模型、径向基函数模型与自适应模糊神经网络推理模型对辽宁省大伙房水库的水质进行预测,并通过平均绝对误差、均方根误差及相关系数判定水质模型的预测效果。结果表明,自适应模糊神经网络推理模型预测效果明显优于多元线性回归模型和径向基神经网络模型,因此自适应模糊神经网络推理模型更适合于大伙房水库的水质预测。     

基于kmeans聚类与BP神经网络算法的办公建筑逐时电负荷预测

基于青岛某办公建筑2015年全年逐时总用电能耗及空调用电能耗数据,利用kmeans聚类算法对其进行聚类,将全年能耗水平分为四大类。利用求平均值法得到每一类典型设备使用率曲线。将典型曲线的数据、日前两周数据以及气象数据一同作为BP神经网络的输入,预测未来24小时的建筑总用电和空调用电,该方法比单用日前两周数据及气象数据进行负荷预测能获得更低的相对误差、均方根误差、平均绝对百分误差。BP负荷预测相对误差在5%以内,而kmeans-BP负荷预测算法控制在±2.5%以内;BP预测得到的均方根误差和平均绝对百分误差范围分别在4.6~9.0之间、2.3%~4.4%之间,kmeans-BP将该误差缩小到3.1、2.0%以内,对于负荷预测精度要求上是阶跃性的突破。     

基于BP神经网络的人工加糙明渠糙率预测模型

糙率是明渠水力计算的各项影响因素中最重要的参数。运用BP神经网络的方法,结合其在结构上的稳定性及在处理非线性数据上的优势,以矩形人工加糙明渠为研究对象,建立预测模型研究其各水力要素与糙率间的复杂非线性关系。根据前期的试验研究成果,选择绝对粗糙度Δ、底坡i、弗劳德数Fr、流量Q作为主要影响因素对糙率进行神经网络建模及预测,并将预测结果与径向基(RBF)神经网络及偏最小二乘及最小二乘支持向量机(PLS-LSSVM)进行对比。研究结果表明,基于L-M算法的BP神经网络糙率预测模型的平均绝对百分比误差为0.51%,均方根误差为8.15×10-5,精度优于其他预测模型,说明BP神经网络可有效预测矩形人工加糙明渠的糙率。     

基于PSO-SVR的排汽比焓软测量建模研究

为更好地对汽轮机排汽比焓进行测量,将粒子群优化算法引入支持向量回归SVR模型中,构建与之相匹配的排汽比焓软测量预测模型。根据实例校验方法对该模型展开校验,采用汽轮机15种参数作为输入参数,排汽比焓作为输出参数。对某300 MW机组和200 MW机组数据进行仿真,并将该模型与标准SVR模型和双隐层RBF过程神经网络模型预测结果进行对比,对于300 MW机组,该模型的预测平均相对误差为0.101%,均方根误差为0.110%;对于200 MW机组,该模型的预测平均相对误差为0.057%,均方根误差为0.062%;与其他两种模型相比,PSO-SVR模型的预测平均相对误差和均方根误差均最小。实例证明PSO-SVR的排汽比焓软测量预测模型在精确度以及泛化能力等方面呈现出一定的优势,具有较好的预测能力。     

基于新陈代谢无偏灰色神经网络的水质预测模型

针对水质参数样本数据少且非线性的特点,建立了新陈代谢无偏GM(1,1)与BP神经网络的组合预测模型,将通过新陈代谢无偏GM(1, 1)模型得到的数据集作为BP神经网络的输入,原始序列作为神经网络的期望输出,训练得到最佳BP神经网络。将该组合模型应用于乐山岷江大桥断面溶解氧浓度的预测,结果表明,相对误差均在3%以下,与传统灰色神经网络水质预测模型相比,该模型具有实时性及预测精度更高的优点。     

单回路紫铜_水脉动热管传热性能的实验研究

实验研究了单回路紫铜—水脉动热管在水冷方式和定传热功率时,冷却水流量、倾角、管径和充液率4种因素对热管传热性能,包括管壁测点温度、冷热段均温、传热温差、传热热阻和温度振幅的影响规律,得到提高传热性能的一些措施。结果显示:水平放置的单回路脉动热管无法启动;30°以上倾角管内可产生振荡,增加倾角可降低传热热阻;定加热功率下,冷却水流量存在最佳值,过大和过小都会增加传热热阻;在脉动热管允许管径范围内,增加管径可大大降低传热热阻;相同传热功率时,30%充液率热管的传热热阻明显低于70%充液率管;小而均匀的壁温振荡比大幅锯齿状振荡时的传热性能好。     

泵站管道混沌振动短期预测分析

为探索泵站管道混沌程度对短期预测精度的影响规律,确定适用于泵站管道混沌振动的短期预测方法,以某灌区泵站管道振动响应为例,采用Volterra级数和径向基(RBF)神经网络两种预测方法,建立了管道振动短期混沌预测模型。首先以典型混沌系统Lorenz x分量为算例验证两种方法在混沌预测领域的有效性;其次,选取受机组运行及流态突变影响的振动响应,分别建立混沌短期预测模型并分析不同工况下的预测精度;最终综合对比两种方法的预测精度。结果表明,针对泵站管道振动响应,RBF神经网络和Volterra级数预测模型均有较好的预测效果;振动响应混沌程度越高,预测精度越低,且混沌程度越高可有效预测的时间序列越短;对于混沌程度较高的时间序列,Volterra级数预测有相对更低的平均相对误差、均方根误差,预测误差相对RBF神经网络更小,具有更高的预测精度。