采用燃烧系统模型预测锅炉效率和NO_x排放浓度

以某电厂燃煤锅炉燃烧调整试验数据为基础,运用BP神经网络建立锅炉效率与NOx排放浓度的双目标锅炉燃烧系统模型,并用遗传算法优化BP神经网络的权值和阈值产生优化型GA-BP神经网络模型。通过对2种模型预测误差的比较表明,GA-BP神经网络模型的锅炉效率平均预测误差由6%降至3.4%,NOx排放浓度平均预测误差由0.1%降至0.04%,泛化能力相对于BP神经网络模型大大增强,可适用于建立锅炉燃烧优化系统。     

采用燃烧系统模型预测锅炉效率和NOx排放浓度

以某电厂燃煤锅炉燃烧调整试验数据为基础,运用BP神经网络建立锅炉效率与NOx排放浓度的双目标锅炉燃烧系统模型,并用遗传算法优化BP神经网络的权值和阈值产生优化型GA-BP神经网络模型.通过对2种模型预测误差的比较表明,GA-BP神经网络模型的锅炉效率平均预测误差由6％降至3.4％,NOx排放浓度平均预测误差由0.1％降至0.04％,泛化能力相对于BP神经网络模型大大增强,可适用于建立锅炉燃烧优化系统.     

基于SA-BP神经网络算法的电池SOH预测

针对传统BP神经网络在线估算锂离子电池健康状态(state of health,SOH)容易使权值陷入局部最优解,导致SOH预测不精确。结合模拟退火(simulate anneal,SA)算法能有效收敛于全局最优的特点,提出一种基于SA算法优化BP神经网络的锂离子电池SOH在线预测方法。以锂离子电池为研究对象,分析了微分电压、欧姆内阻、循环次数与电池SOH的关系,并以此作为电池的健康状态因子(health indicator,HI)输入至BP神经网络。利用SA算法优化BP神经网络的权值,使预测模型得到最优解。实验结果表明:利用优化算法对电池SOH进行预测,其最大误差仅为1.98%,平均误差为1.09%。相较于传统BP神经网络,优化算法预测最大误差降低了5.62%,平均误差降低2.33%。从而验证了基于SA算法优化BP神经网络能够获取全局最优值并提高电池SOH估算精度是有效的。     

风电场风速的神经网络组合预测模型

针对BP神经网络、RBF神经网络和粒子群BP神经网络在风电场风速预测中存在的问题,提出一种基于遗传算法优化神经网络的风速组合预测模型.该模型为单输出的3层前馈网络,将3种神经网络的预测结果与预测结果平均值作为神经网络的输入,将实际风速值作为神经网络输出,使学习后的网络具有预测能力.该模型能降低单一模型的预测风险,提高预...     

基于特征优化和改进长短期记忆神经网络的NOx质量浓度预测

针对燃煤机组选择性催化还原（SCR）烟气脱硝系统中入口NOx质量浓度难以准确测量的问题,提出一种基于特征优化和改进长短期记忆（LSTM）神经网络的预测模型。首先,通过机理分析确定与NOx排放有关的辅助变量,利用互信息计算各辅助变量与输出变量NOx质量浓度之间的延迟时间。通过最大相关最小冗余算法（mRMR）确定辅助变量最优特征子集,利用RBF神经网络对各个特征子集进行预测误差比较,确定模型输入变量。通过网格搜索和改进粒子群（MPSO）算法确定LSTM神经网络的超参数,建立NOx质量浓度预测模型。仿真结果表明,特征优化后的辅助变量提高了模型的泛化能力,采用具有记忆功能的LSTM神经网络提高了模型预测精度。     

一维卷积神经网络超宽带天线建模方法

为加快天线建模优化速度,提出了一种改进的一维卷积神经网络(1D-MCNN)模型。此一维神经网络的卷积核大小为2,将ReLU函数作为激活函数降低梯度弥散;利用Adam优化器与dropout技术结合,提高模型的特征学习能力和非线性函数逼近能力。本文使用1D-MCNN模型对超宽带微带单极子天线几何参数建模,以天线的8个几何参数作为特征输入,对天线的回波损耗值进行预测。实验表明,本文所提1D-MCNN模型与深层MLP网络模型、MLP网络模型、RBF神经网络模型相比,回波损耗值的平均误差分别减小了1.95%,120.27%,125.71%,拥有更高的准确度,预测能力更强,对优化超宽带天线建模可行且性能具有一定优越性。     

基于神经网络的电力系统短期负荷预测

短期负荷预测是电力系统运行与分析的基础,提高负荷预测精度,是保障电力系统优化决策科学性的重要手段。通过实际采集两地区(云南省和深圳市)气象因素,分别用BP和RBF神经网络模型对两地区进行了短期负荷预测和精度对比分析,发现两种网络模型预测的相对误差均低于10%,但RBF的预测精度和泛化能力方面均优于BP神经网络。最后对两地区2015年1月份7天的电力负荷进行预测,发现两种网络模型预测的准确率均在90%以上,RBF网络的预测精度高于BP网络模型,并且云南省可以获得更准确的预测结果。     

基于 TentFWA-GD 的 RBF 神经网络 COD 在线软测量方法

针对污水处理过程COD难以实时准确测量的问题,提出了基于TentFWA-GD的RBF神经网络软测量方法。为解决现有RBF神经网络用于复杂工业过程软测量建模时存在网络参数难以确定及训练过程易陷入局部极值等问题,进一步提高RBF神经网络模型的预测精度与泛化能力,引入了Tent混沌映射对烟花算法(fireworks algorithm, FWA)进行改进,利用混沌运动的全局遍历性维持FWA的种群多样性并避免算法早熟收敛;将TentFWA算法与GD方法有机融合提出一种改进的RBF神经网络组合训练方法以改善网络的学习能力。将基于TentFWA-GD的RBF神经网络用于构建4个Benchmark函数拟合模型和农村生活污水处理过程COD在线软测量模型。仿真与应用结果表明,相对于其他神经网络模型,该模型具有较低的函数逼近误差和较高的COD预测精度。其中COD软测量模型训练结果的均方误差和平均绝对误差分别为0.18和0.25,测试结果的两种误差分别为0.23和0.36。     

遗传算法优化的BP神经网络压电陶瓷蠕变预测

针对压电陶瓷驱动器的蠕变误差随时间呈现非线性变化,会严重影响其定位精度的问题,提出遗传算法优化BP神经网络的压电陶瓷蠕变预测算法。采用遗传算法优化了BP神经网络的权值和阈值,构建了基于遗传算法的BP神经网络(GA-BP算法)的蠕变预测模型。用GA-BP算法对压电陶瓷蠕变进行了预测仿真,并将结果与实测数据进行了对比。结果表明,获得的蠕变预测结果与实验数据的最大绝对误差均不超过0.2μm,最大蠕变误差均小于1.5%,最大均方误差仅为0.004 6,因此,GA-BP预测模型可作为预测压电陶瓷蠕变误差的一种有效手段。     

一种改进果蝇算法优化神经网络短期负荷预测模型

在神经网络的训练过程中,由于随机初始化网络参数使得算法收敛速度慢、容易陷入局部极值,因此,本文提出了一种改进果蝇优化算法(IFOA)用于优化神经网络的初始连接权值和阈值,以实现全局优化。首先采用在BP神经网络中加入从输入到输出的连接的网络(BPNN-DIOC,直连BP神经网络),减少隐含层所需的神经元个数,降低网络在训练过程中调整的参数个数和加快网络训练速度,以提高电力负荷的预测精度和网络的泛化能力。然后综合IFOA和BPNN-DIOC,构建了基于IFOA优化BPNN-DIOC的负荷预测模型。最后,为了验证本文模型的有效性,以AEMO中新南威尔士州2105年9月份的数据为例进行了仿真测试,IFOA-BPNN-DIOC模型的预测平均绝对误差百分比为0.6357%,均方根误差为0.0118,并将该结果与本文其它模型的预测结果进行比较。结果表明,本文模型是一种更加有效的短期负荷预测方法。     

基于Shapley组合模型及神经网络的电能表需求预测研究

针对电能表需求预测问题,建立基于Shapley组合模型及神经网络的电能表合理优化分配模型,以提升需求预测精度.文章通过挖掘历史数据,采用Holt-Winters、BP神经网络和RBF神经网络模型对电能表需求分别进行预测、对比和分析,并且引入Shapley法对三类预测模型进行组合建模,求取相应模型的权重,获取最优的生产调度方案.仿真实验结果表明,RBF神经网络模型预测精度要高于BP神经网络和Holt-Winters模型.相较于单一模型,Shapley法组合模型具有更好的效果和实用性,有助于国家电网公司建立高效、科学的生产调度计划.     

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。     

基于主成分和贝叶斯正则化的NO_x排放量的预测

针对电厂燃煤锅炉NOx排放量预测建模中输入因子过多而导致神经网络结构规模过大、泛化能力差的问题,通过主成分分析和贝叶斯正则化的方法对BP神经网络进行改进,优化网络结构,从而提高了泛化能力。以某300 MW机组锅炉热态多工况试验数据为例,改进的神经网络预测方法与传统的神经网络方法相比,泛化能力有显著提高,而且网络的收敛稳定,实际预测效果良好。     

基于神经网络的锅炉过热器和再热器管壁温度预测研究

提出了采用BP神经网络和RBF神经网络对锅炉过热器和再热器壁温进行预测的方法,经过网络训练和测试,使预测的管壁温度有一定的准确度。RBF神经网络较BP神经网络误差更小,更稳定,更适合于预测锅炉过热器和再热器的管壁温度。     

基于ISSA-BP神经网络的滑坡区输电铁塔状态预测模型

滑坡区输电铁塔基础发生位移时，会导致铁塔的最大位移及杆件所受最大应力发生变化，建立铁塔状态预测模型可得到铁塔的最大位移及杆件所受最大应力变化趋势，进而预防灾害事故的发生。提出一种改进麻雀搜索算法优化BP神经网络的预测模型，首先利用Sin混沌序列与步长因子动态调整策略对麻雀搜索算法进行优化，其次用优化后的模型对BP神经网络的权值及阈值进行参数寻优，得到预测模型。将铁塔基础在XYZ方向的位移值作为预测模型的输入量，得到铁塔最大位移值及铁塔杆件最大应力的预测值。本预测模型较BP神经网络模型相比，方根误差RSME值最高下降了63.4%,平均相对误差MAPE值最高下降了60.4%,绝对值平均绝对误差MAE值最高下降了62.6%,同时本文预测模型预测值符合真实值的变化趋势，综上本预测模型能较准确地预测输电铁塔运行状态，为其安全运行提供有力保障。     

基于神经网络的N Ox 燃煤锅炉排放预测及优化

应用Matlab神经网络工具箱对某燃煤电站锅炉NOx排放特性进行神经网络建模。仿真结果表明,该模型具有良好的准确性和泛化能力,模型平均相对误差为1.37%,具有较高的准确性。基于该NOx排放预测模型,结合遗传算法对燃煤锅炉的NOx排放进行优化,按照优化结果推荐的运行参数,在相同的运行负荷工况下,其NOx排放浓度由优化前的456.2mg/m3降为323.9mg/m3,下降幅度达到了29%,效果显著。     

基于RBF神经网络的短期电力负荷预测

深入研究了温度、湿度以及风速等气象条件对电力负荷的影响,建立了基于径向基函数（RBF）神经网络进行短期负荷预测的模型。以广东省某地区月负荷数据作为原始数据,利用RBF神经网络的非线性逼近能力预测出日负荷曲线,并用实测数据对其进行了检验,同时与同等条件下建立的BP神经网络模型预测的结果进行了综合对比。结果表明,基于RBF神经网络模型预测的误差比BP神经网络模型预测的误差要小,其预测精度可以为供电企业对负荷进行合理的规划和准确的调度提供依据,具有一定的工程指导意义。     

基于GA优化BP神经网络的微电网蓄电池健康状态评估

由于微电网蓄电池在工作过程中其电力性能会发生退化,其性能退化具有明显的非线性和波动性的特征,传统的数学建模方法普适性差、不同工况条件下预测受限、精度不足,难以准确的评估其健康状态。针对上述问题,构建了标准BP神经网络和基于遗传算法优化的BP神经网络,借助微电网蓄电池每次放电过程中的可测参数对网络进行训练,使神经网络的权值和阈值得到较为准确的调整。通过测试集对建立的神经网络进行测试,结果表明,基于遗传算法优化的BP神经网络能有效提高评估结果的准确性,使误差结果控制在精度要求的范围内,最大误差在5%以内,平均误差2%。证明了基于遗传算法优化的BP神经网络对不同工况条件下的蓄电池SOH的精确评估是有效可行的。     

基于PSOEM和神经网络的光伏电站功率预测

分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法（PSO）和带扩展记忆粒子群优化算法（PSOEM）这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。