基于新型智能算法对太阳能无人机光伏组件电压预测控制研究

针对BP网络算法预测光伏组件电压易陷入局部最优解,提出一种新型智能算法--自适应差分进化算法优化BP神经网络(BPNN)。太阳能无人机光伏组件电压的预测是通过自适应差分进化算法对BP神经网络的初始值和阈值进行优化,经过不断趋同、异化、迭代,输出最优个体,并按照编码规则将其解码后得到BP神经网络的初始权值和初始阈值,建立SaDE-BPNN电压预测模型。为了证明新方法的优良性能,选取均值绝对误差、均值绝对误差、均方根误差和相对误差4种精度指标对模型的精度进行评价。实验结果表明,SaDE优化BPNN后的平均绝对误差比BPNN低约30%。SaDE优化后的BPNN的均值绝对误差和均方根误差均小于BPNN,分别约为0.65和0.043。以上数据表明,新方法提高了预测的精度,实现了全局优化,能够显著提高预测效果。     

基于PCA-BPNN的并网光伏电站发电量预测模型研究

针对目前光伏电站发电量预测模型中输入气象维数较多、预测精度低等问题,提出基于主成分分析(PCA)和BP神经网络(BPNN)相结合的光伏电站发电量预测模型。利用PCA对水平面太阳总辐射、日照时数、气温日较差等多个气象变量进行解耦降维处理,形成相互正交、相互独立的公因子变量。将这些公因子变量作为BPNN模型的输入变量,并进行训练拟合建模,从而实现对光伏电站发电量进行预测。文章利用我国华中地区某屋顶并网光伏电站的实测数据,对PCA-BPNN模型进行检验。通过研究结果可知,与常见的预测模型相比,PCA-BPNN模型大大降低了气象变量的输入维数,该模型预测结果的准确性较高。     

广义回归神经网络在土石坝渗流监测中的应用

通过建立土石坝渗流监测数据的广义回归神经网络(GRNN)模型,对花凉亭水库坝基渗流测压管的监测数据进行了拟合与预测,并将其拟合预测结果与反向传播神经网络(BPNN)、多元逐步回归模型的拟合预测结果进行对比分析。结果表明,GRNN模型在数据拟合与预测方面均取得了很好的效果。     

基于EEMD-GRNN的降水量预测分析

为验证EEMD-GRNN降水量预测模型的准确性,基于南京地区年降水量数据对其进行研究,并与GRNN模型和BPNN模型进行对比。结果显示,EEMD-GRNN模型在年降水量预测上较GRNN模型和BPNN模型具有较高的预测精度,且预测结果可信,为提高降水量预测精度提供了新方法。     

采用概率神经网络的汽轮机故障诊断方法

针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,提出了采用概率神经网络(PNN)的汽轮发电机组故障诊断方法。由于PNN学习算法简单、训练和泛化速度快,因此可以满足实时处理要求。此外,很容易把新的训练样本添加到以前训练好的分类器中,便于提高故障诊断结果的准确性。仿真结果表明:该诊断方法快速、准确且易于工程实现。图1表2参9     

不同温度下的基于BPNN-AUKF的新型自动水下航行器SOC估计器

本研究提出了一种基于反向传播神经网络（BPNN）和自适应无迹卡尔曼滤波器（AUKF）的SOC(state of charge)估计方法。首先针对电池SOC与端电压之间在不同温度下的关系,研究设计了一系列温度补偿策略,以提高在低温、低SOC条件下的估计精度。其次,利用反向传播神经网络（BPNN）建立了一个耦合了温度补偿策略的电池模型。这个模型能更好地适应低温和低SOC条件下的电池状态变化,提高了SOC估计的准确性。最后,基于BPNN电池模型建立了BPNN-AUKF的SOC估计框架,通过利用测量值与测量预测值之间的信息和残差序列,对系统过程和测量噪声协方差进行估计修正。通过实验验证,发现该方法在低温环境下具有明显优势,相比传统方法能够更准确地估计电池的SOC,且具备较好的泛化能力。这种基于BPNN-AUKF方法的SOC估计器不仅适用于自主无人潜水器（AUV）,而且对于其他在复杂环境中工作的车辆也具有广泛的应用价值。     

基于改进AWNN的风电功率超短期多步预测

为提高风电功率超短期多步预测精度,针对梯度修正学习算法采用随机初始化网络参数训练自适应小波神经网络(AWNN)易陷入局部最优的缺点,将粒子群(PSO)算法和差分进化(DE)算法相结合,提出利用IPSO-DE算法优化AWNN的初始化网络参数,得到改进AWNN模型(IAWNN)并将其用于风电功率超短期多步预测。仿真结果表明:IPSO-DE算法优化AWNN初始化网络参数的性能优于IPSO算法、DE算法和梯度修正学习算法,所提改进模型的多步预测性能优于AWNN模型、持续法(PM)模型和BP神经网络(BPNN)模型。     

基于极限学习机的风电机组主轴承故障诊断方法

针对传统故障诊断方法在风电机组主轴承的故障诊断中诊断准确率不高的问题,引入了一种改进粒子群优化(PSO)算法,并结合交叉验证(CV)优化极限学习机(ELM)的方法。利用ELM建立故障诊断模型,采用主轴承振动信号的代表性时域特征参数作为模型输入,结合改进PSO算法和CV用于模型的参数优化,用于风电机组主轴承的故障诊断。实例分析表明,文章提出的方法可以快速、有效地诊断风电机组主轴承的故障,与LS-SVM,SVM和BPNN等方法相比,诊断准确率更高。     

基于K近邻互信息估计的原油管道电耗预测

为使用最少的特征实现管道电耗的精准预测,建立基于K近邻互信息估计的BPNN模型来预测管道电耗.利用管道输送理论公式扩充原始数据集,利用K近邻互信息估计提取强相关性特征,将提取出的特征喂入BPNN来建立原油管道电耗预测模型,最后对比利用不同输入特征建立的模型的预测精度.研究结果表明:利用K近邻互信息估计能够选出多个与电耗...     

基于Stacking集成算法的抛石护岸水毁破坏预测研究

抛石护岸在顶冲等极端情况下易发生水毁破坏,给人民的生命财产带来威胁。通过水槽试验获取496组样本数据,利用互信息(MI)筛选出6个关键特征属性,并采用支持向量机(SVR)、广义回归神经网络(GRNN)和随机森林(RF)等机器学习算法构建多个预测模型。然后,将这些模型作为基学习器,结合BP神经网络(BPNN)作为元学习器,采用Stacking集成学习方法构建抛石护岸破坏程度预测模型。最后,通过决定系数(R²)、均方根误差(R_RMSE)及平均绝对误差(M_MAE)等评价指标对模型性能进行评估。结果表明,Stacking模型在抛石护岸破坏高度、长度、范围上的平均R²为0.98、R_RMSE为0.02、M_MAE为0.03,相较于单一模型(SVR、GRNN、RF),Stacking模型的R_RMSE、M_MAE皆为最小,R²最高。在抛石护岸水毁破坏程度的预测中,融合的Stacking模型展现出更高的准确性与稳...     

基于改进VMD-BPNN的光伏功率预测

针对光伏发电预测模型准确率低的问题，构建了基于变分模态分解-反向传播神经网络(VMD-BPNN)的光伏功率预测模型。对光伏发电数据进行变分模态分解得到不同特征数据，解决了数据的随机性和波动性问题。再采用K-means聚类方法对不同特征数据进行聚类，提高模型的泛化能力。通过集成学习bagging的方法对BPNN进行增强，以达到提高光伏功率预测模型整体稳定性的目的。根据RMSE和NRMSE误差标准进行测试，测试结果表明，基于VMD-BPNN预测模型的NRMSE平均值2.77%,RMSE平均值为2.22%。     

IGSA优化LSSVM的短期风电功率预测研究

提出一种基于改进引力搜索算法(Improved Gravitational Search Algorithm,IGSA),优化LSSVM的短期风电功率预测方法。对引力搜索算法采用混沌映射学习策略初始化种群位置,引入全局记忆策略来改进速度公式,提高最优解质量,利用高斯变异算子及贪婪策略来更新最优解位置。为对比不同核函数对LSSVM预测模型性能的影响,选取了4种常用的核函数(RBF,Sigmoid,Poly及Linear)构建LSSVM预测模型,并用IGSA优化构建的模型。以安徽某一风电场实测数据为例,仿真结果表明,选择RBF核函数的IGSA-LSSVM模型的风电预测性能优于其它核函数;同时,与反向传播神经网络(Back Propagation Neural Network,BPNN)相比,以及与GA,PSO和GSA优化LSSVM相比,IGSA优化LSSVM方法对短期风电功率预测具有更好的稳定性和更高的准确性。     

基于多重注意力卷积神经网络双向门控循环单元的机械故障诊断方法研究

为解决传统机械故障诊断方法需要人工提取特征的不足,提出一种基于多重注意力-卷积神经网络-双向门控循环单元(multiple attention-convolutional neural networksbidirectional gated recurrent unit,MA-CNN-BiGRU)的端到端的故障诊断方法。首先将原始时域数据输入卷积神经网络(convolutional meural networks,CNN)进行初步特征提取并降维,然后将结果重组输入双向门控循环单元(bidirectional gated recurrent unit,BiGRU),可以有效地解决BiGRU对于过长序列数据处理困难的问题。采用美国凯斯西储大学开源轴承数据集进行训练,确定了最佳卷积层数和最佳样本长度约减比例分别为2和1/8。同时,通过在CNN和BiGRU中分别加入卷积注意力模块(convolutional block attention module,CBAM)和序列注意力模块(sequence attention module,SAM),进一步加强了模型对于关键信息的提取能力。最后实测柴油机故障振动信号试验表明:MA-CNN-BiGRU模型可以实现端到端的故障诊断,与变分模态分解(variational mode decomposition,VMD)-核模糊C-均值聚类算法(VMD-kernel fuzzy C-means clustering,VMD-KFCM)、VMD-反向传播神经网络(back propagation neural network,BPNN)和一维CNN等方法进行对比,MA-CNN-BiGRU模型的故障诊断性能更优。     

基于IFOA-GRNN的电力系统短期负荷预测

考虑到电网负荷与诸多因素有关,设计了一种带有温度、气象、日期类型的广义回归神经网络（GRNN）负荷预测模型。为了提高该模型的预测精度,提出了一种改进果蝇优化算法优化广义回归神经网络（IFOA-GRNN）的方法,即在利用果蝇优化算法（FOA）进入迭代寻优时,通过改进搜索距离优化该算法的性能和稳定性。利用改进的FOA优化GRNN的光滑参数,然后利用训练好的预测模型对甘肃省某地区进行了短期负荷预测,并与FOA-GRNN和误差反向传播神经网络(BPNN)模型结果进行了误差比较。结果表明, IFOA-GRNN具有较高的预测精度,能够满足电力系统短期负荷预测的要求。     

基于LSTM的烟气NOx浓度动态软测量模型

针对SCR系统出口NO_x浓度测量准确性较差、CEMS测量存在较大延迟且吹扫过程中无法测量NO_x浓度的问题,依托某660 MW机组的实际运行数据,建立基于长短期记忆神经网络(LSTM)的烟囱入口NO_x浓度软测量模型。为了验证其对烟囱入口NO_x浓度的预测性能,将所建LSTM模型与RNN模型、BPNN模型和KPLS 3种模型进行对比分析。研究表明:LSTM模型的预测均方根误差为1.34 mg/m~3,平均相对误差为3.51%,模型预测精度优于其他3种模型;LSTM模型的泛化能力较强,数据动态跟踪效果好,具有较高的预测稳定性。     

基于特征优选与改进极限学习机的锂电池SOC估计北大核心CSCD

为提高数据驱动方法预测荷电状态(state of charge,SOC)的效率与精度,提出一种基于特征优选与改进极限学习机的SOC估计方法。采用公开数据作为训练集,利用随机森林(random forest,RF)算法判定训练集各特征对SOC的影响程度,选择出最优训练样本,并对优选样本的合理性进行验证;利用极限学习机(extreme learning machine,ELM)对SOC进行预测,针对ELM在预测过程中随机产生的权值及阈值的不稳定性导致SOC估计精度不理想的问题,选取麻雀搜索算法(sparrow search algorithm,SSA)进行参数优化以提高估计精度;随后,通过BJDST工况仿真试验对SSA参数优化的有效性进行验证;在恒流放电与DST工况实验下,分别利用改进极限学习机(SSA-ELM)、ELM、支持向量机(support vector machine,SVM)与BP神经网络(back-propagation neural network,BPNN)对SOC进行预测,结果表明,SSA-ELM算法预测效果最优,预测误差基本保持在1.5%以内,可实现较高精度的SOC预测。     

基于人工智能方法的近临界区CO2热物性模化与预测

为更准确预测CO2在临界点附近区域的热物性,分别建立了基于BPNN,SVR和GPR算法的智能模型来预测近临界区CO2的密度、粘度和导热系数,并将3种模型进行比较。结果表明：基于BPNN的密度（R2=0.946 5）和粘度（R2=0.970 2）预测模型相较于其他智能模型精度更高,而基于SVR的导热系数的模型预测精度更高（R2=0.999 7）;所提出的智能模型相较于传统模型中SW密度方程（R2=0.596 6）、Laesecke的粘度方程（R2=0.844 5）和J&H的导热系数方程（R2=0.021 8）的R2提高了14.88%~4 444.5%     

风电在时空尺度上的描述

从风电场的时间尺度和空间尺度对风电进行描述。采用BPNN和RBF神经网络方法进行功率预测。在风电的空间尺度上对风电的分析中提出一种空间上的风电场分析系统,该系统包括:风电场模型重构模块,风电场安全评估与预警模块,暂态稳定分析模块,动态稳定分析模块,操作控制平台模块五大模块,分析了各部分的组成和功能。结果表明,时空分析可以有效地对风电进行短期功率预测。     

基于机器学习方法的安徽省年降水量预测

为准确、可靠地预测安徽省的年降水量,基于安徽省1900～2009年的均一化降水量数据集,使用信号分析技术和机器学习方法建立区域年降水量预测模型。Morlet小波分析和EEMD结果显示,研究区域历史年降水量序列大致存在3、5、20年左右的周期。为提高模型精度,建立5种输入层为3个节点、输出层为1个节点的机器学习模型,即BPNN、WANN、TSNN、SVM、ELM。按4∶1原则,将整理好的样本集中的前85组作为模型训练集,后22组作为测试集。结果表明,5种模型表现较好,率定期的平均相对误差分别为6.1%、12.1%、14.3%、14.3%、13.2%;验证期的平均相对误差为20.6%、13.6%、12.5%、13.0%、14.3%,合格率分别为63.7%、72.7%、77.3%、77.3%、72.7%。总体来看,除BPNN模型外,其余模型均较理想,机器学习方法在非线性水文序列的模拟和预测中具有较好的适用性和可靠性。研究成果可为安徽省未来水资源规划、配置提供指导。     

基于改进FOA LSSVM的变压器故障诊断

针对基于油中溶解气体（DGA）变压器故障诊断方法存在的不足,提出了改进果蝇算法优化LSSVM的变压器故障诊断方法。为克服果蝇算法易陷入局部极值、收敛精度低的缺陷,引入线性递减步长、变异操作和混沌搜索策略进行改进。建立了LSSVM变压器故障诊断模型,并用改进的果蝇算法优化参数。仿真试验及对比研究表明,改进模型可准确、有效地识别变压器故障类型,相较其他模型（BPNN、FOA PNN和FOA LSSVM）,该模型的准确率较高,更适合于变压器故障诊断。