基于BP神经网络的人工加糙明渠糙率预测模型

糙率是明渠水力计算的各项影响因素中最重要的参数。运用BP神经网络的方法,结合其在结构上的稳定性及在处理非线性数据上的优势,以矩形人工加糙明渠为研究对象,建立预测模型研究其各水力要素与糙率间的复杂非线性关系。根据前期的试验研究成果,选择绝对粗糙度Δ、底坡i、弗劳德数Fr、流量Q作为主要影响因素对糙率进行神经网络建模及预测,并将预测结果与径向基(RBF)神经网络及偏最小二乘及最小二乘支持向量机(PLS-LSSVM)进行对比。研究结果表明,基于L-M算法的BP神经网络糙率预测模型的平均绝对百分比误差为0.51%,均方根误差为8.15×10-5,精度优于其他预测模型,说明BP神经网络可有效预测矩形人工加糙明渠的糙率。     

基于混沌RBF神经网络的汽油机瞬态工况油膜参数辨识研究

提出了基于混沌径向基(RBF)神经网络的汽油机瞬态工况油膜参数辨识方法。利用混沌优化算法确定隐含层高斯函数径向基中心和输出层连接权值,使其达到全局最优,有效地提高RBF神经网络的收敛速度;同时,利用混沌算法训练RBF神经网络,使目标函数取全局最小值或逼近全局最小值,有效地提高辨识模型的辨识精度,并与BP神经网络模型及最小二乘法辨识进行了分析和比较。仿真结果表明:混沌RBF神经网络模型收敛速度快,具有更强的非线性辨识能力,能够有效地提高油膜动态参数的辨识精度,进而得出不同工况下的油膜参数动态特征。     

基于新型智能算法对太阳能无人机光伏组件电压预测控制研究

针对BP网络算法预测光伏组件电压易陷入局部最优解,提出一种新型智能算法--自适应差分进化算法优化BP神经网络(BPNN)。太阳能无人机光伏组件电压的预测是通过自适应差分进化算法对BP神经网络的初始值和阈值进行优化,经过不断趋同、异化、迭代,输出最优个体,并按照编码规则将其解码后得到BP神经网络的初始权值和初始阈值,建立SaDE-BPNN电压预测模型。为了证明新方法的优良性能,选取均值绝对误差、均值绝对误差、均方根误差和相对误差4种精度指标对模型的精度进行评价。实验结果表明,SaDE优化BPNN后的平均绝对误差比BPNN低约30%。SaDE优化后的BPNN的均值绝对误差和均方根误差均小于BPNN,分别约为0.65和0.043。以上数据表明,新方法提高了预测的精度,实现了全局优化,能够显著提高预测效果。     

基于最小二乘支持向量机的煤粉着火温度预测分析

针对关系到锅炉经济安全运行的煤着火温度估计难的问题,采用最小二乘支持向量机方法建立煤粉着火温度的预测模型,并和利用PLS以及BP神经网络等方法建立的预测模型进行对比,结果表明,最小二乘支持向量机克服了BP神经网络泛化能力弱以及PLS无法解决的非线性等问题,采用最小二乘支持向量机方法建立的煤粉着火温度模型具有很高的预测精度.     

基于PSO-SVR的排汽比焓软测量建模研究

为更好地对汽轮机排汽比焓进行测量,将粒子群优化算法引入支持向量回归SVR模型中,构建与之相匹配的排汽比焓软测量预测模型。根据实例校验方法对该模型展开校验,采用汽轮机15种参数作为输入参数,排汽比焓作为输出参数。对某300 MW机组和200 MW机组数据进行仿真,并将该模型与标准SVR模型和双隐层RBF过程神经网络模型预测结果进行对比,对于300 MW机组,该模型的预测平均相对误差为0.101%,均方根误差为0.110%;对于200 MW机组,该模型的预测平均相对误差为0.057%,均方根误差为0.062%;与其他两种模型相比,PSO-SVR模型的预测平均相对误差和均方根误差均最小。实例证明PSO-SVR的排汽比焓软测量预测模型在精确度以及泛化能力等方面呈现出一定的优势,具有较好的预测能力。     

基于小波分析的两种神经网络耦合模型在月径流预测中的应用

为提高河川径流的中长期预报精度并延长其预见期,采用小波分析充分提取有用信息,基于BP神经网络和GRNN神经网络,构建了两种小波神经网络耦合模型,测试了Daubechies族中9种母波函数对模型模拟效果的影响,并采用合格率(Q_(QR))、平均相对误差(M_(MPRE))、均方根误差(R_(RMSE))和确定性系数(N_(NSE))等指标评价了模型精度。将该模型应用于金沙江流域向家坝水文站未来1~5个月的径流预报,结果显示,相比于传统BP和GRNN模型,耦合模型具有明显优势,且基于小波分析的BP模型预报结果更接近实测值,预报精度更高,其未来4个月的平均相对误差在±20%以内。表明小波分析方法能充分挖掘隐藏在原始数据中的有用信息,可有效提高耦合模型的预报精度延长预见期,在径流预测方面有明显的优越性。     

质子交换膜燃料电池膜电极组件温度分布的神经网络预测模型

质子交换膜燃料电池膜电极组件表面的温度分布会影响质子交换膜燃料电池的性能、寿命和可靠性.为探究质子交换膜燃料电池传热规律,本文提出了一种基于神经网络的质子交换膜燃料电池膜电极组件温度分布的预测模型.本研究选取径向基函数神经网络(RBF)和广义回归神经网络(GRNN)两种神经网络,以电流密度、温度点的位置作为网络输入,不同位置的温度作为网络输出,对平行流道质子交换膜燃料电池、蛇形流道质子交换膜燃料电池分别建立了神经网络预测模型.结果显示,RBF神经网络预测的均方根误差平均为0.464、平均绝对百分误差为1.179％,GRNN神经网络预测的均方根误差平均为0.7155、平均绝对百分误差为2.27％;相较于GRNN神经网络,RBF神经网络精度更高;基于RBF神经网络的平行流道质子交换膜燃料电池膜电极组件温度分布预测模型预测值与96％的实验值的相对误差在5％以内.基于RBF神经网络的蛇形流道质子交换膜燃料电池膜电极组件温度分布预测模型预测值与95％的实验值的相对误差在5％以内.     

考虑预报因子选择的神经网络降雨径流模型

为优化神经网络模型的应用效果,研究了基于神经网络的降雨-径流模型,根据Copula熵法确定预报因子,并与传统的线性相关法进行比较分析,采用BP、RBF、GRNN三种神经网络建立降雨-径流模型,应用均方根误差、合格率、确定性系数三个指标为模型选取评价准则。通过对金沙江流域的径流预报,发现基于Copula熵法的BP模型预报结果更接近实测值,精度更高。     

基于BP和RBF神经网络的乙烷脉动热管对比研究

为研究BP和RBF神经网络对脉动热管热阻的预测及改善脉动热管性能,将加热功率、倾角及工作温区作为输入参数,热阻作为输出参数,建立BP和RBF神经网络模型。利用大量实验数据对BP及RBF神经网络进行训练并预测,将预测值与实验值比较,以验证BP和RBF神经网络预测性能。结果表明:BP和RBF神经网络均能较好地预测热阻;采用RBF神经网络,训练数据及测试数据线性回归决定系数R~2分别为0.999 44和0.969 76,预测结果相对误差分别为0.89%和2.97%,均方误差分别为1.43×10~(-7)和3.13×10~(-6);与BP神经网络相比,线性回归决定系数R~2更接近1,相对误差和均方误差更小,能更精确地预测热阻。     

基于GMM-LSSVR模型的脱硫出口SO2浓度预测方法研究

采用燃煤机组脱硫系统原始非高斯数据建立的单一出口SO₂质量浓度预测模型精度较低，泛化能力较差，针对该问题提出一种基于高斯混合模型-支持向量回归(Gaussian Mixture Model-Least Squares Support Vector Regression, GMM-LSSVR)的建模方法。采用高斯混合模型(GMM)将训练集数据聚类为多个高斯数据集，对每个对应的子集建立独立的最小二乘支持向量回归机(LSSVR)训练模型。在此基础上，估计测试集数据属于每个种群的概率并对测试集进行聚类，将每个子集输入到对应的LSSVR模型中完成预测。现场数据实验表明：采用GMM聚类后每个子集的概率密度不规则波动幅度减小，数据高斯性增强；GMM-LSSVR建模方法测试集均方根误差(RMSE)、平均绝对误差(MAE)和可决定系数(R²)较单模型LSSVR方法有较大改善，具有更好的预测精度和泛化性能。     

DFA_VMD_LSTM组合日径流预测模型研究

为有效提取径流序列的局部特征信息、提高神经网络径流预测模型的非线性拟合能力和预测性能,引入变分模态分解(VMD)、去趋势波动分析(DFA)方法,提出了一种基于长短时记忆(LSTM)神经网络的组合日径流预测模型(DFA_VMD_LSTM),并采用均方误差(RRMSE)、平均绝对误差(MMAE)、平均绝对百分误差(MMAPE)以及确定性系数(DDC)统计指标对模型进行评价。在三峡水库的径流预测研究中,经过与其他三种典型数据驱动模型的预测结果对比发现,DFA_VMD_LSTM组合日径流预测模型在不同评价指标上均有显著提升,说明该模型可充分挖掘径流序列组成特性,学习历史长程依赖,能有效提高径流预报精度。     

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。     

Application of neural network for the prediction of chemical exergy: application in exergy and economic analyses

Chemical exergy values of various substances are one of the most important parameters in the exergonomic analysis of chemical processes. In this present contribution, artificial neural network coupled with radial basis function (RBF) neural network was utilized for the prediction of standard chemical exergy of materials. The numbers of overall, training, and testing data used for the development of the neural network model are 135, 113, and 22, respectively. To develop a model successfully and with high accuracy, the atom number, polarizability factor, and molar mass of substances were considered as the input variable and standard exergy of substances was assumed as the output parameter of the model. Statistical parameters such as coefficient of determination and average absolute relative deviation for the modeling results were reported. Moreover, scatter and histogram plots were used for the estimation of model accuracy and robustness. Model outputs reveal that the RBF neural network greatly predicts the chemical exergy values of organic substances. Hence, this model can help engineers in applying the exergonomic analysis of the chemical process.     

基于神经网络和改进相似日的光伏电站功率预测

为提高光伏电站功率预测的准确率,提出了一种基于SOM神经网络与熵权法优化关联系数的相似日预测模型,利用麻城市某100MW光伏电站的气温、相对湿度、风速及国家气象站日照时数、总云量、低云量等气象要素,采用SOM神经网络推算出预测日的三个相似日,再利用熵权法优化关联系数确定三个相似日的系数求出相似日分辨率为15min的瞬时功率,作为BP神经网络输入对光伏电站进行短期功率预测,并通过与其他四种预测模型的对比分析评估其性能。结果表明,模型的月相对均方根误差、月平均绝对百分比误差分别为5.88%、3.03%,与效果最佳的原理法模型误差接近;基于熵权法优化的关联系数和云量数据的加入对预测准确率有较大提高;模型预测准确率较高,抗扰动能力较强,可集合至本部门开发的预测系统运用到实际中。     

基于MMAS BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。     

基于SVM的燃煤电站锅炉飞灰含碳量预测

将支持向量机方法引入燃煤电站锅炉飞灰含碳量预测领域．该预测方法很好地建立了燃煤电站锅炉飞灰含碳量特性与运行参数之间的复杂关系模型,并考虑到运行参数之间的耦合性,具有预测能力强、全局最优及泛化性好等优点．将该方法应用于某300 MW燃煤电站锅炉中,经过训练后的SVM模型对检验样本飞灰含碳量进行预测,均方根误差和平均相对误差分别为1．39%和1．30%,相当于BP网络模型的22．20%和21．07%．应用结果表明,支持向量机方法优于多层BP神经网络法,能很好地满足预测要求．     

蝗虫优化相关向量机模型在径流预测中的应用

针对径流序列不稳定导致预测精度不高的问题,提出一种基于变分模态分解(VMD)和蝗虫优化算法(GOA)优化相关向量机(RVM)的组合径流预测模型。首先对原始非平稳的径流序列采用VMD得到若干个相对稳定的分量序列,再分别建立RVM预测模型,并采用GOA优化RVM中核函数的参数,最后累加所有分量的预测值得到径流序列的预测值。实例结果发现,较传统的BP神经网络、支持向量机及基于经验模态分解的支持向量机等模型,该模型预测精度更高,预测结果能为水电站的经济运行、水资源的有效利用等提供决策依据。     

Toward prediction of kinematic viscosity of biodiesel using a robust approach

Especially by using a renewable source of fuels such as biodiesel, a large number of high-quality researches have been performed on the reduction of pollution released from fossil fuels. Transesterification process is a common way for the production of biodiesel from vegetable oil, animal fat, and algae oil in the presence of alcohol and catalyst. Viscosity is one of the important physical fuel properties used in the selection of biodiesel. Experimental measurement of viscosity is a time-consuming task. Hence, in this contribution, applicability and performance of two artificial neural network-based models named least square support vector machine (LSSVM) and genetic algorithm-radial basis function (GA-RBF) for the prediction of kinematic viscosity of biodiesel were investigated. Root-mean-square error, coefficient of determination (R²), and average absolute relative deviation of each modeling were reported for each LSSVM and GA-RBF models. Modeling results show that the proposed LSSVM model is more accurate and robust than GA-RBF model.     

Biodiesel production from oil-rich feedstock: A neural network modeling

Biodiesel produced from oil-rich feedstocks is known as a green replacement for conventional petroleum diesel. Transesterification is the common method used for biodiesel production. Hence, in this contribution, neural network modeling and least square support vector machine (LSSVM) modeling were used to predict the transesterification of castor oil with methanol to form biodiesel. Also, genetic algorithm was used for the optimization of predictive model. Input and output parameter of predictive models for the prediction of biodiesel production yield and estimation of the efficiency of biodiesel production are catalyst weight (C), methanol-to-oil molar ratio (MOR), time (S), temperature (T), and fatty acid methyl ester (FAME) yield, respectively. Proposed LSSVM modeling predicts biodiesel production yield or FAME yield within ±2% relative deviation with a high value of coefficient of determination (0.99583) and a low value of absolute deviation (1.27) in which the mentioned statistical parameters represent the accuracy and robustness of the model.