共查询到16条相似文献,搜索用时 125 毫秒
1.
2.
分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法(PSO)和带扩展记忆粒子群优化算法(PSOEM)这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。 相似文献
3.
利用一种可以避免搜索陷人局部极值的粒子群算法对BP神经网络进行了改进,并利用粒子群神经网络对不同制浆煤种的成浆浓度进行预测,并建立了考虑七因子影响因素后的煤炭成浆浓度的神经网络预测模型。结果表明,粒子群优化神经网络模型能够迅速而精确地预测不同制浆煤种的成浆浓度,误差只有0.18%。同时验证了选取七因子神经网络的合理性。 相似文献
4.
基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法 总被引:3,自引:0,他引:3
提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法。粒子群算法不需要计算梯度,可以兼顾全局寻优和局部寻优。利用粒子群算法对BP网络权值和偏置进行优化,减少了BP神经网络算法陷入局部最优解的风险,提高了神经网络的训练效率,加快了网络的收敛速度。考虑风电齿轮箱振动信号的不确定性、非平稳性和复杂性,提取功率谱熵、小波熵、峭度、偏度、关联维数和盒维数作为故障特征。经测试,算法诊断结果正确,表明了PSO优化BP神经网络用于风电机组齿轮箱故障诊断的有效性和实用性。 相似文献
5.
基于PSO-BP神经网络的短期光伏系统发电预测 总被引:1,自引:0,他引:1
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。 相似文献
6.
基于粒子群优化神经网络的水轮机振动故障诊断 总被引:1,自引:0,他引:1
为了提高水轮机振动故障诊断正判率,提出粒子群算法优化BP神经网络的水轮机振动故障诊断方法,即把通过特征提取获得的机组故障特征量作为神经网络的输入,然后利用训练好的粒子群算法优化后的神经网络进行水轮机振动故障类型诊断。诊断结果表明,该方法具有良好的分类效果,比BP神经网络诊断模型诊断精度高。 相似文献
7.
针对普通的电动机绝缘剩余寿命预测模型收敛速度慢、结果偏差大的缺陷,提出了一种基于粒子群算法(PSO)优化BP神经网络的电动机绝缘剩余寿命预测模型。首先,利用PSO算法全局随机最优解搜索的特性,对传统BP神经网络模型的权值和阈值进行优化设计。其次,为便于预测模型的运算处理,对采集的三相异步电动机的数据进行归一化处理。最后,结合经PSO算法优化的BP神经网络模型对三相异步电动机的绝缘剩余寿命进行试验预测。结果表明,基于PSO优化的BP神经网络比传统BP神经网络有更为精准的预测能力以及更快的收敛速度。 相似文献
8.
为了提高旋转机械滚动轴承故障诊断的准确率,提出一种基于变分模态分解(VMD)和缩放变异粒子群算法(SVPSO)优化BP神经网络的旋转机械滚动轴承故障诊断方法。通过在标准粒子群算法中加入缩放因子以及粒子变异操作提升其局部与全局寻优性能,得到一个改进的粒子群算法——缩放变异粒子群算法(SVPSO),再利用该算法优化BP网络的权值与阈值,提高BP神经网络的故障诊断精度;进一步,为了减少输入特征向量对BP神经网络分类性能的影响,采用VMD分解轴承振动信号,并计算其IMF分量时频熵的方法构建信号特征向量。通过与其他采用相同基准轴承数据集的诊断方法作对比,所提方法的故障诊断精度和算法稳定性均得到有效提升。 相似文献
9.
10.
11.
12.
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。 相似文献
13.
For a solid oxide fuel cell (SOFC) integrated into a micro gas turbine (MGT) hybrid power system, SOFC operating temperature and turbine inlet temperature are the key parameters, which affect the performance of the hybrid system. Thus, a least squares support vector machine (LS-SVM) identification model based on an improved particle swarm optimization (PSO) algorithm is proposed to describe the nonlinear temperature dynamic properties of the SOFC/MGT hybrid system in this paper. During the process of modeling, an improved PSO algorithm is employed to optimize the parameters of the LS-SVM. In order to obtain the training and prediction data to identify the modified LS-SVM model, a SOFC/MGT physical model is established via Simulink toolbox of MATLAB6.5. Compared to the conventional BP neural network and the standard LS-SVM, the simulation results show that the modified LS-SVM model can efficiently reflect the temperature response of the SOFC/MGT hybrid system. 相似文献
14.
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着换热管长度的增加而逐渐降低。文章将得到的试验数据分为训练样本和测试样本,同时,分别基于BP神经网络和GA-BP神经网络建立了土壤-空气换热器换热量的预测模型,并对模拟结果进行对比。模拟结果表明:GA算法对BP神经网络具有较好的优化作用;与基于BP神经网络建立的土壤-空气换热器换热量预测模型相比,基于GA-BP神经网络建立的土壤-空气换热器换热量预测模型的预测精度较高,收敛所需的迭代次数也较少。 相似文献
15.
In this paper, a nonlinear offline model of the solid oxide fuel cell (SOFC) is built by using a radial basis function (RBF) neural network based on a genetic algorithm (GA). During the process of modeling, the GA aims to optimize the parameters of RBF neural networks and the optimum values are regarded as the initial values of the RBF neural network parameters. Furthermore, we utilize the gradient descent learning algorithm to adjust the parameters. The validity and accuracy of modeling are tested by simulations. Besides, compared with the BP neural network approach, the simulation results show that the GA-RBF approach is superior to the conventional BP neural network in predicting the stack voltage with different temperature. So it is feasible to establish the model of SOFC stack by using RBF neural networks identification based on the GA. 相似文献