应用遗传算法优化BP神经网络预测太阳能PV/T系统热电产出

PV/T集热器系统是一种能够同时提供低品位热能和高品位电能的新型太阳能系统,在光伏发电同时回收光伏余热,降低光伏板温度的同时不仅可以提高发电效率,而且能够将余热收集起来并转化应用于供暖和生活热水系统。本文利用遗传算法优化神经网络的方法建立了太阳能光伏光热(PV/T)系统性能的仿真预测模型,并与单一(Back Propag ation) BP神经网络的预测模型进行了对比分析。仿真预测结果表明：太阳能PV/T系统性能遗传算法优化BP神经网络模型的预测值与实际值拟合度较好,且预测精确度优于单一BP神经网络模型。其中遗传BP神经网络模型预测电效率的平均相对误差为1%,相对误差小于2%的样本占比大于95%;预测蓄热水箱温度的绝对平均误差仅为0.2℃,最大相对误差不超过1%。     

基于灰色关联和ABC-BP神经网络的叶绿素a浓度预测

为预测太湖梅梁湾叶绿素a浓度,建立了基于灰色关联和ABC-BP神经网络的叶绿素a浓度预测模型,即通过灰色关联分析选取总磷、CODMn、水温、pH值、悬浮质为BP神经网络的输入变量,采用人工蜂群(ABC)算法优化网络权值与阈值,构造基于ABC算法优化的BP(ABC-BP)神经网络模型,预测出2014年1月~2015年12月的梅梁湾叶绿素a浓度。结果表明,经ABC算法优化后,BP网络模型预测梅梁湾叶绿素a浓度的最大绝对误差从3.54μg/L减小到1.28μg/L,最大相对误差从41.57%减小到20.62%,平均相对误差从8.83%减小到3.31%,可以提高梅梁湾叶绿素a浓度预测的准确性。     

GA Elman多元变量需水预测模型及其应用

针对传统静态前馈神经网络动态性能差、预测精度不高等问题,以上海市需水预测为例,提出一种基于遗传算法(GA)优化Elman神经网络连接权值的GA-Elman模型,并与GA-BP、Elman、BP需水预测模型做了对比。结果表明,GA-Elman需水预测模型行之有效,预测平均相对误差和最大相对误差分别仅为2.764%和6.578%,优于其他预测模型,具有较好的预测精度和泛化能力。     

基于模糊神经网络的电站燃煤锅炉结渣预测

综合运用模糊数学和神经网络知识构建了一个模糊神经网络模型,用以预测电站燃煤锅炉的结渣特性．通过引入反映煤灰特性的4个常用指标以及反映锅炉运行情况的两个指标,使所建模型综合考虑了煤灰特性和锅炉运行因素对结渣的影响．以实际电厂燃煤锅炉为样本,基于改进的BP(back-propagation)算法对网络模型进行了训练．为验证模型的准确性,对7台电站燃煤锅炉的结渣特性进行预测,并将该模型与只考虑煤灰特性指标的常规 BP网络模型进行比较．验证结果表明,模糊神经网络模型的预测结果与实际相符,效果优于常规BP网络模型．     

基于GA-BP神经网络的带提升管内循环流化床循环流率预测

自行搭建了带提升管的内循环流化床试验台,研究了提升管风速、气化室风速、颗粒平均粒径、床层高度对循环流率的影响。基于遗传算法优化BP神经网络原理,建立了GA-BP人工神经网络模型,用来预测带提升管的内循环流化床的颗粒循环流率。通过对GA-BP神经网络模型颗粒循环流率的预测值与试验值的比较发现:当隐含层数目为22时,最大相对误差为±6.6917%,误差的均方差为2.899%。该模型预测数据与试验值比较吻合,能够较好的预测颗粒循环流率。     

基于BP神经网络的热管式真空管集热器热性能预测校正模型

基于BP神经网络建立了热管式真空管集热器热性能的预测校正模型.该模型采用了LM和BR两种网络训练方法,经实验数据验证,预测校正模型输出结果的最大相对误差为2.8%,平均相对误差为1.2%,而数学模型输出结果的最大相对误差为6.2%,平均相对误差为4.3%,证明此预测校正模型的预测校正效果较好.应用该集热器热性能预测校正模型,可较精确地预测出不同运行状态、不同环境下集热器的出口温度,提高了系统的仿真精度.     

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NO_x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NO_x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,将RBF神经网络的输出值作为模糊控制器输入值,对锅炉运行参数进行调整,并将调整后的值输入BP神经网络进行预测。结合RBF/BP神经网络和模糊控制规则建立了综合优化模型,使NO_x调整值相对于实际值平均下降了7.89 mg/m~3,发电效率提高了1.08%。     

基于智能算法的燃煤电站锅炉燃烧优化

基于Matlab人工智能工具包对某300MW燃煤电站锅炉进行了燃烧优化混合建模:利用BP神经网络建立了锅炉燃烧特性的BP神经网络模型,用以预测锅炉热效率和NO_x排放质量浓度.基于该模型,以锅炉热效率和NO_x排放质量浓度为目标,结合Matlab遗传算法工具包对锅炉进行燃烧优化,并采用权重系数法将多目标优化问题转化为单目标优化问题.结果表明:锅炉热效率和NO_x排放质量浓度校验样本的相对误差平均绝对值分别为0.142%和1.790%,该模型具有良好的准确性和泛化能力;权重系数法可根据实际情况,以锅炉热效率或NO_x排放质量浓度为优化重点选取相应的权重系数,对燃烧优化具有一定的指导意义.     

基于BP神经网络与遗传算法风电场超短期风速预测优化研究

风速预测对于风力发电并网调度至关重要。基于BP神经网络建立了风速预测模型,并从BP算法及遗传算法自身特点出发,针对BP网络结构确定困难、收敛速度慢等问题,提出创建多种群遗传算法,实现对BP神经网络的结构和权值初始值的同步优化。通过具体算例表明,经优化后的BP算法的收敛步数和计算时间明显减少,预测精度更高,网络整体性能有了显著提高。     

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。