基于人工神经网络的单轴联合循环机组变工况模拟

影响联合循环机组实际变工况性能的非线性因素众多,基于热力学基本原理的建模方法在准确性和计算量方面遇到了较大困难.前馈型神经网络以其良好的非线性逼近和预测能力在非线性建模领域获得了广泛应用.本文分别利用MATLAB神经网络工具箱中的BP、RBF和GRNN(广义回归)三种网络模型对GE的S109FA机组进行了变工况模拟,提出了评价网络性能的新标准并分析比较了三种模型的可行性,最后讨论相关结论.     

发动机机油泵供油特性的神经网络建模

结合试验研究结果,通过对影响机油泵供油特性影响因素的分析,建立了用于分析机油泵供油特性的BP神经网络仿真模型,并利用该模型对机油泵的温度特性、转速特性和压力特性进行了预测分析,取得良好的仿真效果。通过对不同样本训练得到的神经网络模型仿真结果和试验结果的比较分析,验证了采用正交法设计该网络模型学习样本的可行性,指出利用正交法设计学习样本时,只要位级选择适当,就可以大大减少学习样本的数量,并取得满意的预测效果。     

虹吸井对尾矿坝地震液化的影响分析

针对河套灌区地下水位预测问题,结合小波变换的时频局部特性和神经网络的逼近功能,构建了两种不同耦合方式下小波和BP神经网络相结合的小波网络模型,比较了不同耦合方式下小波网络模型与单纯神经网络模型的预测效果。两种耦合方式下的小波网络模型模拟结果均比单纯使用人工神经网络模型更接近实测值,对低频信号序列及高频信号序列分别进行神经网络模型预测后再进行重构的预测方式比直接将小波分解的多级信号与神经网络结合的预测方式具有更好的预测效果。     

小波网络耦合模型在地下水位动态预测中的应用

针对河套灌区地下水位预测问题,结合小波变换的时频局部特性和神经网络的逼近功能,构建了两种不同耦合方式下小波和BP神经网络相结合的小波网络模型,比较了不同耦合方式下小波网络模型与单纯神经网络模型的预测效果。两种耦合方式下的小波网络模型模拟结果均比单纯使用人工神经网络模型更接近实测值,对低频信号序列及高频信号序列分别进行神经网络模型预测后再进行重构的预测方式比直接将小波分解的多级信号与神经网络结合的预测方式具有更好的预测效果。     

基于灰色BP网络的城市生活垃圾日产量预测模型研究

通过对灰色BP神经网络模型的分析与研究,给出了灰色BP神经网络的建模方法,建立了基于灰色BP神经网络的城市生活垃圾日产量预测模型,通过一组历史数据分别对GM模型和灰色BP神经网络模型进行了验证,得到了灰色BP神经网络的预测效果要比单纯的灰色预测模型精度要高的结论,本模型是研究通过少量数据进行预测的一种新方法。     

基于支持向量机和BP神经网络的燃煤锅炉NO_x排放预测

基于某660 MW燃煤锅炉运行时的热态实验数据,应用BP神经网络方法和支持向量机回归的方法对该燃煤电站锅炉NO_x排放特性分别进行建模,针对BP神经网络存在的问题,采用动量法对其进行改进,而对SVM预测模型进行了核函数及相应参数c和g进行了选优。两种模型仿真结果的平均相对误差为2.75%和1.37%,证明模型的准确性和泛化能力比较好。引入神经网络模型评价指标,对这两种模型的仿真和预测结果进行对比分析,结果表明采用支持向量机方法建立的NO_x排放模型比BP神经网络模型收敛速度快,准确度高,性能更优。     

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。     

电站煤粉炉NO_x排放特性的最小二乘支持向量机模型

为获得电站煤粉炉NOx排放特性的在线预测模型,实现低NOx闭环运行控制,以某电厂300MW四角切圆燃烧煤粉炉为研究对象建立了NOx排放特性的最小二乘支持向量机模型.在建模过程中,进行了模型性能对核函数、惩罚因子γ和核函数参数σ2的敏感性分析,并运用遗传算法和交叉证实获得了γ和σ2的最佳值.最后利用不同试验工况下的样本数据检验了模型的预测性能,并将该模型的预测性能与BP神经网络模型相比较,结果说明该模型的建模特点和预测性能能够满足NOx排放的在线预测.     

基于GA-BP的电站锅炉NOx排放特性建模研究

NOx排放模型是电站锅炉实时控制系统的基础。针对普通BP神经网络建模方法收敛速度慢和易陷于局部极值点的问题,提出基于遗传算法（GA）优化BP神经网络的建模方法。通过电站锅炉热态试验获取样本数据,对BP网络隐节点数进行优化后,建立了GA-BP模型。相比BP神经网络模型,该模型训练时间短,拟合误差大大降低。仿真试验表明：GA-BP模型性能得到改善,泛化能力明显提高,能准确预测NOx排放。GA-BP模型可为运行人员提供指导,也可作为电站锅炉实时控制系统的基础模型。     

基于不同压气机特性曲线预测方法的单轴燃气轮机动态性能仿真研究

部件精细化建模方法研究一直为燃气轮机动态性能仿真领域的研究热点。以某经典单轴燃机核心部件压气机为对象,基于模块化建模思想利用Matlab/Simulink平台搭建了系统仿真计算平台,并将最小二乘法、三次样条插值法以及BP神经网络法嵌入平台进行了预测应用研究。结果表明:在压气机性能预测中,三种方法均可有效预测部件性能,但BP神经网络法和三次样条插值法的预测结果优于最小二乘法;在整机性能预测中,最小二乘法整机仿真计算结果偏离预设值,而BP神经网络法和三次样条插值法的仿真计算结果具有较高的准确性;在时效性方面,BP神经网络法所需时间成本比其余两种方法高。     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

基于GA-BP神经网络的土壤-空气换热器换热量预测分析

文章对位于太原市一个日光温室内的土壤-空气换热器进行夏季工况试验,获得了不同运行工况下换热管内空气的温度和湿度的分布数据.试验结果表明:土壤-空气换热器具有一定的除湿效果;当换热管长度为17.2 m,换热管内空气流速为2 m/s时,土壤-空气换热器潜热换热量占全热换热量的31.37％,且潜热换热量在全热换热量中的占比随...     

基于BP神经网络的油冷器压降及换热量预测

油冷器作为发动机散热部件之一,压降和换热量是评估其性能的重要指标,但油冷器中传热与流动规律错综复杂,所以对其压降和换热量进行预测存在一定难度。本研究提出了一种基于BP神经网络和特征工程的预测方法。该方法通过实验获得不同结构类型下冷油器数据,对样本数据进行插值和增强等方法解决样本量分布不均的问题,并根据相关性计算Shah-Focke关联式、Gray and Web关联式、A.R.Wieting关联式等相关经验公式与本文实验结果相关性,并筛选出相关性最高的关联式来构造新特征,最后利用BP神经网络模型进行预测。结果表明,Shah-Focke关联式与本文实验结果相关性最高,且该经验公式特征的引入对模型有积极影响,预测精度提升50%,令压降预测误差为6%,换热量预测误差为4%。     

基于BP神经网络ORC系统仿真及变工况运行预测

有机朗肯循环(ORC)系统实验是验证或获得系统性能的有效手段,为了在实验工况有限的前提下获得ORC系统最优运行工况,本文在ORC系统变工况实验研究的基础上,提出了基于BP神经网络的ORC系统性能预测方法并建立了仿真模型。预测结果表明：该模型验证最大误差为3.30%,能够预测出ORC热力性能更优的运行工况,其系统净输出功最大值1.47 kW时的运行质量流量为0.15 kg/s,热效率最大值3.71%时的运行质量流量为0.134 kg/s。     

轮古7井区低渗透油藏水锁损害实验评价及预测

针对低渗透油藏易受水锁损害的特点,介绍水锁损害机理,提出水锁损害实验室评价方法。同时,针对水锁损害实验评价既需要代表性的储层岩心,又耗费大量人力物力的缺点,介绍了BP神经网络原理和灰色系统理论,把两者引入水锁损害研究中来,将灰色GM(0,N)预测法和BP神经网络法有机结合,建立一种新的预测模型——灰色-神经网络预测模型,并分析其可行性,用计算机C语言程序实现了上述过程。以塔里木油田轮古7井区15块有代表性的岩心室内水锁损害评价结果为学习样本,另外5块岩心为预测样本,建立了灰色-神经网络水锁损害预测模型。预测结果表明,模型预测结果与实验室实测结果吻合程度较好。并通过与回归分析法、灰色GM(0,N)预测法和神经网络法这三种预测方法进行比较,发现灰色-神经网络水锁损害预测模型效果明显优于其他几种方法。     

基于遗传算法的压气机性能曲线拟合方法研究

为了研究人工神经网络在压气机性能曲线拟合中的应用,分别利用BP神经网络、RBF神经网络、极限学习机以及BP-GA神经网络对某微型燃气轮机压气机的性能映射关系进行模拟,分析了不同网络模型在压气机特性曲线拟合上的优劣,以及样本容量对不同神经网络模型性能的影响。结果表明:BP-GA神经网络模型不仅收敛速度快,而且精度高;相比传统BP神经网络模型,其平均绝对百分比误差可控制在0.189%以内,训练时间可缩短至19.07 s;当样本容量较少时,传统BP神经网络模型不再适用,而基于遗传算法的BP-GA模型仍然保持较高的精度。