共查询到17条相似文献,搜索用时 78 毫秒
1.
由于微电网蓄电池工作时的电力特性具有明显的非线性和不规则性,依靠传统数学方法难以准确估计其荷电状态(state of charge,SOC)。针对上述问题,构建了BP神经网络拓扑结构,并采用增强型学习率自适应算法对网络的传统学习模式加以改进,学习时神经网络模型中各神经元间权值得到合理调整,并且提高了误差收敛效率。仿真结果表明,估计结果在预设精度要求的范围之内,平均误差不超过4%,证明经过优化学习算法的BP神经网络模型对蓄电池荷电状态的精确估计是有效可行的。 相似文献
2.
3.
4.
将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验,通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法,将零序电流信号的各种特征量进行提取,经过故障测度函数计算得到故障测度数据,将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试,讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异,输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明,综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法,且其选线速度与精度优于单一BP神经网络,能够更快速、有效地进行故障选线,满足配电网故障选线要求。 相似文献
5.
6.
7.
针对BP神经网络应用于故障诊断时存在着收敛速度慢、易陷入局部最小值等问题,提出了一种基于遗传算法(GA)优化BP神经网络的液压钻机故障诊断方法.利用GA的选择、交叉和变异操作优化BP神经网络的权值和阈值,提高网络训练的收敛速度.根据液压钻机工况参数提取的特征信号,进行归一化处理建立样本,利用训练样本对网络进行训练,根据训练结果进行故障诊断.仿真结果表明,GA优化的BP神经网络迭代次数少,收敛速度快,能够对测试样本进行有效地分类,故障诊断正确率高. 相似文献
8.
针对航空铅酸蓄电池健康状况评估本身所存在的小样本、非线性和复杂性等特点,结合支持向量机(support vector machine,SVM)和遗传算法(genetic algorithm,GA),提出了一种新的航空铅酸蓄电池健康评估模型。由于支持向量机的分类准确率很大程度上取决于参数的选取,因此利用遗传算法对SVM模型参数进行优化,以得到优化的支持向量机的评估模型。为了验证该模型的有效性,利用中国民用航空飞行学院航空铅酸蓄电池的实测数据进行了验证,实验结果表明该模型的分类精度高达96.25%,该评估模型是可行的,并且为航空铅酸蓄电池的健康评估提供了一种新思路。 相似文献
9.
基于经济调度的微电网蓄电池容量优化 总被引:1,自引:0,他引:1
由多种复合式能源构成的微电网发电系统,由于新能源出力的随机性与不可控性,蓄电池作为储能装置是保证系统安全稳定运行的重要组成。对于不同的能源配置系统,需要不同容量的蓄电池与之匹配。从微电网的经济调度出发,以保证系统的可靠运行为前提,以整体费用最优为目标,提出了基于经济调度的蓄电池容量优化模型。采用混合整数规划法对模型进行求解,仿真计算了多种能源配置下的容量优化问题。仿真结果表明,所提模型与算法能在理想的机组启停策略与出力前提下最优化蓄电池容量,确保调度的安全性与经济性。 相似文献
10.
11.
12.
13.
为了对电池电解液密度进行预测,建立了BP神经网络模型,用电池充放电试验数据对其进行了训练和检验。利用训练后的神经网络模型进行了电池电解液密度的预测,预测值与实测值的最大误差值为0.020 9 g/cm3,均方根误差值为0.004 0 g/cm3左右。结果表明,BP神经网络方法可以满足预测精度要求,从而可用于建立电池剩余电量实时监测系统,降低电池维护工作量并延长电池的使用寿命。 相似文献
14.
15.
16.
The estimation of state of health (SOH) of a lithium-ion battery (LIB) is of great significance to system safety and economic development. This paper proposes a SOH estimation method based on the SSA-Elman model for the first time. To improve the correlation rates between features and battery capacity, a method combining median absolute deviation filtering and Savitzky–Golay filtering is proposed to process the data. Based on the aging characteristics of the LIB, five features with correlation rates above 0.99 after data processing are then proposed. Addressing the defects of the Elman model, the sparrow search algorithm (SSA) is used to optimize the network parameters. In addition, a data incremental update mechanism is added to improve the generalization of the SSA-Elman model. Finally, the performance of the proposed model is verified based on NASA dataset, and the outputs of the Elman, LSTM and SSA-Elman models are compared. The results show that the proposed method can accurately estimate the SOH, with the root mean square error (RMSE) being as low as 0.0024 and the mean absolute percentage error (MAPE) being as low as 0.25%. In addition, RMSE does not exceed 0.0224 and MAPE does not exceed 2.21% in high temperature and low temperature verifications. 相似文献
17.
利用神经网络进行了动力电池荷电状态(SOC)预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt(LM)算法建立了动力电池的BP(back propagation)神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。 相似文献