基于混沌RBF神经网络的汽油机瞬态工况油膜参数辨识研究

提出了基于混沌径向基(RBF)神经网络的汽油机瞬态工况油膜参数辨识方法。利用混沌优化算法确定隐含层高斯函数径向基中心和输出层连接权值,使其达到全局最优,有效地提高RBF神经网络的收敛速度;同时,利用混沌算法训练RBF神经网络,使目标函数取全局最小值或逼近全局最小值,有效地提高辨识模型的辨识精度,并与BP神经网络模型及最小二乘法辨识进行了分析和比较。仿真结果表明:混沌RBF神经网络模型收敛速度快,具有更强的非线性辨识能力,能够有效地提高油膜动态参数的辨识精度,进而得出不同工况下的油膜参数动态特征。     

基于RBF神经网络参数优化的电源柜热电偶温度测量校正研究

为提高电源柜温度测量精度,提出一种基于多通道高精度测量的电源柜温度校正方法。方法首先采用K均值聚类算法和人工鱼群优化算法优化径向基函数网络的最佳基函数中心和宽度,以及隐藏层与输出层的连接权值等参数,实现RBF神经网络的优化;然后将优化后的RBF网络应用于多通道高精度电源柜测温系统,实现测量电源柜温度的校正。仿真结果表明,所提方法可实现基于多通道高精度测量的电源柜温度非线性误差的校正,使测量的温度误差小于0.4℃;相较于标准RBF网络和BP神经网络,所提的方法具有更快的训练速度和更小的均方根误差,可用于对测温精度要求较高的测温环境。而本研究的创新点在于基于热电偶测量原理,实现了非线性温度变化的自适应补偿,提高了测量的精度。     

基于ACFOA优化RBF的短期风电功率预测

为了提高短期风电输出功率预测的准确度,在分析研究基本预测方法的基础上,提出采用一种自适应混沌果蝇算法(ACFOA)优化RBF神经网络的预测方法。该方法中引入自适应混沌对果蝇算法的进化机制进行优化,并利用ACFOA算法改善RBF神经网络结构参数以提高网络的泛化能力,同时对某风电场的历史数据进行验证分析。仿真结果表明,相比于PSO-RBF预测方法,采用提出的预测模型能有效减少较大误差出现的频率,大幅度提高风电输出功率预测的准确度。     

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。     

RBF网络在凝汽器故障诊断中的应用

针对RBF神经网络基函数的中心值和宽度确定的特殊问题,将免疫遗传算法与RBF神经网络相结合, 提出一种基于免疫原理的RBF神经网络模型并应用于凝汽器系统故障诊断中.通过实例验证,结果表明该法有效地提高了故障诊断的精度和速度,具有应用价值.     

基于粒子群优化算法的RBF神经网络在泾惠渠灌区地下水位埋深预测中的应用

针对不恰当地选取RBF神经网络的网络结构和参数会使网络收敛慢的问题,采用粒子群优化算法对RBF神经网络参数进行优化,建立了基于粒子群优化算法的RBF神经网络模型(PSO-RBF模型),对泾惠渠灌区地下水位埋深进行了模拟和预测。结果表明,与单一的RBF神经网络相比,PSO-RBF模型具有较高的预测精度。再根据时间序列预测法预测的降水量、径流量、蒸发量、渠灌引水量、地下水开采量、气温等模型的输入变量,用训练好的PSO-RBF模型预测了泾惠渠灌区2009~2020年地下水位埋深,发现该灌区地下水位埋深呈下降趋势。     

基于遗传算法小波神经网络的光伏电站发电量预测方法

针对光伏电站发电量预测不准确及多种气象因素下预测结果出现波动的问题,提出一种基于遗传算法小波神经网络（GA-WNN）的光伏电站发电量预测方法。首先,以反向传播（BP）神经网络的结构为框架,选择小波基函数作为隐含层的传递函数,将网络连接权值、小波函数伸缩因子、小波函数平移因子视为遗传个体,并通过遗传算法（GA）进行个体寻优以得到网络最优初始参数;然后,利用优化后的网络进行仿真预测,并对仿真数据进行分析;最后,将预测结果与实际发电量进行对比,以评估预测模型的误差和可靠性。实例分析表明,GA-WNN预测模型具有更小的误差和更高的预测精度,适用于精确预测光伏电站的发电量。     

基于灰色关联分析-GA-BP模型的叶绿素a含量预测

为提高水体叶绿素a预测精度和收敛速率,提出一种基于灰色关联度分析和遗传算法优化BP神经网络预测水体叶绿素a的方法。即先采用灰色关联度分析法选取合适的水质指标作为输入因子,然后优化网络隐含层的结构参数,引入遗传算法优化BP神经网络的初始权值和阈值,最后以预测太湖叶绿素a为例进行比较分析。结果表明,优化神经网络隐含层数能进一步提高网络的预测精度、缩短训练时间;灰色关联分析-GA-BP模型相较于BP、GA-BP模型具有更高的预测精度和收敛速度,可为控制水环境监测和决策平台提供科学依据。     

基于IABC和聚类优化RBF神经网络的电力信息网络安全态势评估

为提高电力信息网络安全态势评估的精度,提出一种基于改进人工蜂群（IABC）算法和密度峰值聚类（DPC）算法优化径向基函数（RBF）神经网络的电力信息网络安全态势评估方法。首先,引入改进密度峰值聚类（IDPC）算法对人工蜂群（ABC）算法的种群空间多样性进行聚类分析,重新定义个体更新机制以提高算法的全局搜索能力。然后,构建分类RBF神经网络安全态势评估模型,利用IDPC算法对输入指标数据进行聚类分析,采用IABC算法对分类拓扑结构和参数学习过程进行优化,得到输入评估指标与输出安全态势值的最佳映射关系。最后,通过实例仿真证明所提方法的有效性。     

基于PCA-GABP神经网络的发动机负荷特性预测

针对BP算法存在的不足，本文提出了一种PCA—GABP神经网络方法预测发动机负荷特性，该方法由主成分分析（PCA）和遗传神经网络（GABP）两部分构成，采用PCA技术减少网络输入变量、精简网络结构、提高学习效率；GABP算法采用局部改进遗传算法优化神经网络权值，并采用自适应学习速率动量梯度下降算法对神经网络进行训练。预测结果表明该方法在准确性和收敛性方面都优于BP算法。     

非线性时间序列的RBF神经网络预测方法及其应用

将一种基于自动增加隐节点数目训练算法的径向基函数（RBF）神经用于非线性时间序列预测。这种方法成功地解决了BP网络的局部极小、隐节点数目的选择和过拟合问题,并用于热电厂热负荷预测。预测结果表明,用本方法进行热负荷预测得到了十分满意的结果。     

基于神经网络的燃气轮机可靠性预计研究

本文根据采集的实际运行数据,利用神经网络的较好的高度非线性映射性能,通过对BP网络和RBF网络的优化设计,来预计各型燃气轮机实际运行中的可靠度。通过算法实现和结果的对比分析,结果表明：BP网络和RBF网络都能够解决高度非线性问题,但在训练时间和精度上,RBF网络显示出更为优良的逼近能力。神经网络方法为燃气轮机的可靠性预计提供了有力的工具。     

Bayesian adaptive combination of short-term wind speed forecasts from neural network models

Short-term wind speed forecasting is of great importance for wind farm operations and the integration of wind energy into the power grid system. Adaptive and reliable methods and techniques of wind speed forecasts are urgently needed in view of the stochastic nature of wind resource varying from time to time and from site to site. This paper presents a robust two-step methodology for accurate wind speed forecasting based on Bayesian combination algorithm, and three neural network models, namely, adaptive linear element network (ADALINE), backpropagation (BP) network, and radial basis function (RBF) network. The hourly average wind speed data from two North Dakota sites are used to demonstrate the effectiveness of the proposed approach. The results indicate that, while the performances of the neural networks are not consistent in forecasting 1-h-ahead wind speed for the two sites or under different evaluation metrics, the Bayesian combination method can always provide adaptive, reliable and comparatively accurate forecast results. The proposed methodology provides a unified approach to tackle the challenging model selection issue in wind speed forecasting.     

Radial basis function identifier and pole-shifting controller for power system stabilizer application

Use of a mixed structure consisting of a radial basis function (RBF) network and pole-shifting feedback controller for power system stabilizer application is presented in this paper. The RBF network is used to identify the time-varying parameters of the power system. The RBF has a simple structure with a nonlinear hidden layer which constructs local approximations to nonlinear input-output mapping and a linear output layer. The network is capable of fast learning and represents a nonlinear autoregressive moving average model with exogeneous inputs (NARMAX). The NARMAX model is transformed into a linear ARMA model every sampling period and the pole-shift controller is used to calculate the control signal. This process of linearizing a nonlinear system is important because of the widespread industrial acceptance of linear feedback controllers, availability of theoretical and practical results about robustness, and closed-loop stability. Simulation studies carried out on a single-machine infinite bus power system verify the effectiveness of the above approach.     

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。     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。     

基于ARMAX-GARCH模型的微电网风功率预测

目前风功率预测多为风功率期望的点预测,且以采样间隔较大的功率序列作为建模序列,这样会降低预测模型对风功率时序特征模拟的准确度和可信度。文中基于小采样间隔风功率序列,提出ARMAX-GARCH风功率预测模型。通过构造风功率新息序列,结合小时平均风功率序列,建立ARMAX点预测模型,采用BIC最小信息准则和相关性分析实现模型定阶和外生变量选择;采用GARCH模型模拟残差的波动特性实现区间预测。以海岛微电网实测风功率数据为例,进行提前1 h风功率预测。结果表明,与持续法、ARMA和RBF神经网络相比,该预测模型能显著提高风功率期望的点预测精度并具有较好的区间预测效果。     

A new strategy for predicting short-term wind speed using soft computing models

Wind power prediction is a widely used tool for the large-scale integration of intermittent wind-powered generators into power systems. Given the cubic relationship between wind speed and wind power, accurate forecasting of wind speed is imperative for the estimation of future wind power generation output. This paper presents a performance analysis of short-term wind speed prediction techniques based on soft computing models (SCMs) formulated on a backpropagation neural network (BPNN), a radial basis function neural network (RBFNN), and an adaptive neuro-fuzzy inference system (ANFIS). The forecasting performance of the SCMs is augmented by a similar days (SD) method, which considers similar historical weather information corresponding to the forecasting day in order to determine similar wind speed days for processing. The test results demonstrate that all evaluated SCMs incur some level of performance improvement with the addition of SD pre-processing. As an example, the SD+ANFIS model can provide up to 48% improvement in forecasting accuracy when compared to the individual ANFIS model alone.     

热力系统局部非线性模型辨识

在多模型控制中,局部模型大多数是基于线性模型,其数量和精度影响多模型控制的效果。提出一种基于RBF神经网络的非线性模型辨识算法,采用G.B.Sentoni等人提出的非线性模型结构[2~3],利用径向基函数(Radial Basis Function,RBF)神经网络的逼近能力,实现热力系统非线性模型辨识。在RBF神经网络的学习过程中,根据性能函数调节学习率,可以加快学习的收敛过程。最后进行了仿真验证,基于2个局部非线性模型的多模型控制系统与基于5个局部线性模型的多模型控制系统相比,减少了切换时的震荡,控制精度有所提高。试验结果表明,该辨识算法能减少固定模型数量,从而减少模型搜索时间,并且能够提高模型预测精度。     

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。