基于动态RBF神经网络的锅炉短期负荷预测研究

由于锅炉的热惯性,造成整个热力系统调节相对滞后,影响系统调峰和优化运行。因此,根据系统参数对锅炉短期负荷进行预测变得尤为重要。在基本RBF神经网络的基础上,提出了一种动态RBF神经网络,并定义了样本差异和样本局部差异两个相关参数,对新样本进行有效性判别,同时,给出了输入层灵敏度系数,以实现大差异样本的负荷预测。为了验证所建模型的正确性,以某电厂实际运行数据为基础验证了这一模型,使用动态RBF神经网络对未来锅炉负荷加以预测,同时对预测结果与实验结果进行了比较。结果表明,这种网络具有很强的适应性,能够对锅炉进行准确的负荷预测,具有很好的应用前景。     

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%。     

多功能太阳能空调制热兼制热水模式负荷平衡控制策略的研究

为了解决多功能太阳能空调制热兼制热水工况时空调和热水的能量输入与各自的负荷平衡问题,提出了通过调节热水换热器水体积流量以改变空调传热量和热水传热量的控制策略.以空调负荷作为控制目标,建立了神经网络辨识和模糊控制模型,并进行了仿真研究.结果表明,神经网络预测和模糊控制相结合的方法对热水换热器水体积流量的智能调节能有效地解决负荷平衡问题.     

热负荷预测的RBF神经网络预测方法研究

由于BP神经网络存在一些缺点，本文采用RBF神经网络方法用于热电厂热负荷预测。预测结果表明：用本文的方法进行热负荷预测得到了十分满意的结果。     

证据理论融合蚁群神经网络的短期负荷组合预测

为提高短期负荷预测的精度,引入了证据理论融合蚁群神经网络的组合预测方法,根据重庆市负荷的实际数据,采用蚁群神经网络作为单一模型对其进行初步预测,由BP神经网络对预测误差及主要外界影响因素进行分析建模,获得了每个模型的可信度,并用证据理论对可信度进行合成得到组合权值,进而实现对短期电力负荷的组合预测。结果表明,该方法拟合误差小、预测精度高,具有一定的应用价值。     

基于花朵授粉算法和BP神经网络的短期负荷预测

为了提高短期电力负荷预测的准确性,降低因预测精度不高带来的电能损失,提出将花朵授粉算法（flower pollination algorithm,FPA）与BP神经网络相结合,利用FPA算法具有收敛速度快、全局搜索能力强的特点,对BP神经网络的权值和阈值进行优化,改善传统BP神经网络因权值和阈值的选择具有随机性而陷入局部最优和收敛速度慢的缺点。最后,通过某地区实际负荷数据验证了优化后的BP神经网络的预测精度得到了提高。     

基于改进遗传算法优化的小波神经网络短期负荷预测模型

针对传统小波神经网络在电力系统短期负荷预测中存在预测结果的精确度依赖初始网络参数的问题,提出了一种基于改进遗传算法优化的小波神经网络短期负荷预测模型。为了保证神经网络在训练过程中,各个层的权值和阈值按最优方向变化,将遗传算法引入小波神经网络,利用遗传算法寻优能力指导权值和阈值进行优化。将概率分布策略用于遗传算法的种群交叉和变异过程,解决遗传算法在中后期搜索精度差,收敛速度慢等问题。应用结果表明,与基本的小波神经网络的预测模型相比,在只考虑短期负荷历史数据的情况下,通过均方根误差计算比较,基于改进遗传算法优化的小波神经网络短期负荷预测模型具有更高的预测精度。     

基于KNN-LSTM的区域热负荷短期预测及在机组热电可行域的应用研究

为了准确预测热电联产机组的热负荷进而确定机组的热电可行域,使用互信息法筛选预测模型的输入参数。搭建了基于粒子群(PSO)参数寻优的最邻近节点(KNN)模型和长短期记忆神经网络(LSTM)模型对电厂的单日供暖热负荷进行预测,并提出将两种预测方法相结合的KNN-LSTM模型,通过对比发现该混合预测模型在处理短期热负荷异常波动问题时提高了预测模型的鲁棒性。在搭建热电联产机组热力仿真模型的基础上,根据热负荷短期预测结果和机组深度调峰限制条件确定机组的最低运行电负荷,提高了机组预测最低运行电负荷的能力。     

泵站管道混沌振动短期预测分析

为探索泵站管道混沌程度对短期预测精度的影响规律,确定适用于泵站管道混沌振动的短期预测方法,以某灌区泵站管道振动响应为例,采用Volterra级数和径向基(RBF)神经网络两种预测方法,建立了管道振动短期混沌预测模型。首先以典型混沌系统Lorenz x分量为算例验证两种方法在混沌预测领域的有效性;其次,选取受机组运行及流态突变影响的振动响应,分别建立混沌短期预测模型并分析不同工况下的预测精度;最终综合对比两种方法的预测精度。结果表明,针对泵站管道振动响应,RBF神经网络和Volterra级数预测模型均有较好的预测效果;振动响应混沌程度越高,预测精度越低,且混沌程度越高可有效预测的时间序列越短;对于混沌程度较高的时间序列,Volterra级数预测有相对更低的平均相对误差、均方根误差,预测误差相对RBF神经网络更小,具有更高的预测精度。     

电力系统短期负荷预测的神经网络方法

本文构造了一种线性与非线性结合的神经网络,提出了短期负荷预测的神经网络方法。使用最近的观测资料对神经网络进行学习训练,调整神经元间的权值。然后对未来负荷进行预测。通过对华中电网的观测资料进行仿真,在正常情况下获得较好结果。     

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。     

基于改进混沌搜索的AMPSO-BP短期负荷预测

为了精准预测微电网短期负荷,采用模糊聚类方法选择相似日粗集,用灰色关联分析法选取相似日,并针对神经网络易陷入局部极小值的缺点,提出基于混沌搜索的自适应变异粒子群优化算法(AMPSO)获得神经网络最佳参数,建立AMPSO-BP神经网络短期负荷预测模型。对收集的电网数据进行试验仿真结果显示,所提方法有很高的预测精度和稳定性,在实际中有一定的应用价值。     

基于混合神经网络深度学习的短期负荷预测

针对能源互联网环境下用电用户数据量大、多维度这一特点,提出了一种混合神经网络深度学习的短期电力负荷预测方法。首先,考虑常见的电力系统负荷的影响因素,建立多维数据库,并进行偏相关分析,排除其他变量干扰;其次,将LSTM、GRU两种神经网络作为前端神经网络对多维数据库中数据进行处理;最后,采用随机概率剔除与Adam训练优化函数改进的BP神经网络作为末端神经网络,建立负荷预测模型。通过算例仿真对本文方法与传统BP神经网络、LSTM神经网络、GRU神经网络进行了对比,验证了所提方法的有效性。     

基于PSO聚类分析与BP网络的短期电力负荷预测

针对短期负荷预测特点, 提出一种基于PSO聚类分析和BP网络的短期负荷预测方法, 通过PSO聚类分析将负荷历史数据分成若干类对输入数据预处理,建立了相应BP网络模型,采用附加动量和变学习速率法预测每小时负荷.以华东某地区实际负荷预测为例,分析结果表明,该方法适应性强、预测精度高、结果满意.     

基于OLS-SFLA-RBF神经网络的风电出力预测

提高风电出力的预测精度,可以减轻风电并网带来的不利影响。利用径向基函数神经网络（RBF）建立风电出力预测模型,并通过正交二乘算法（OLS）对RBF神经网络进行初步训练,以确定网络结构及隐含层各节点中心。在OLS算法训练的网络基础上引入蛙跳算法（SFLA）,进一步对隐含层基函数的宽度值进行优化以提高网络的泛化能力。实例预测表明,在相同的网络结构及隐含层中心下,基函数宽度值优化后的RBF神经网络模型预测精度得到了提升。     

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。     

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。     

基于SIMULINK的汽车发动机怠速模糊神经网络控制

针对汽车发动机怠速控制要求,提出了一种按权值模糊化FCM模型形成的模糊径向基函数(RBF)神经网络控制方案,在SIMULINK环境下进行了控制仿真,获得了比模糊控制更好的性能。