热力系统局部非线性模型辨识

在多模型控制中,局部模型大多数是基于线性模型,其数量和精度影响多模型控制的效果。提出一种基于RBF神经网络的非线性模型辨识算法,采用G.B.Sentoni等人提出的非线性模型结构[2~3],利用径向基函数(Radial Basis Function,RBF)神经网络的逼近能力,实现热力系统非线性模型辨识。在RBF神经网络的学习过程中,根据性能函数调节学习率,可以加快学习的收敛过程。最后进行了仿真验证,基于2个局部非线性模型的多模型控制系统与基于5个局部线性模型的多模型控制系统相比,减少了切换时的震荡,控制精度有所提高。试验结果表明,该辨识算法能减少固定模型数量,从而减少模型搜索时间,并且能够提高模型预测精度。     

基于PSO-RBF神经网络的微电网等效建模

提出一种改进粒子群优化的RBF神经网络微电网动态等效模型及建模方法,利用RBF人工神经网络的非线性映射特性解决微电网系统并网接入的等效建模问题。基于微电网公共接入点(PCC)的电压、电流、功率等量测数据构建RBF神经网络等效模型,将接入点电压和电流分别作为神经网络的输入和输出,使神经网络的输入输出更具独立性。将混沌优化的全局遍历性引入粒子群优化算法中,构建基于全局最优解的变邻域混沌搜索提高粒子群算法的全局搜索能力,利用改进粒子群算法优化RBF神经网络模型参数提高模型计算精度。最后通过微电网并网仿真实验验证本文提出等效模型的准确性和建模方法的合理性。     

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。     

蚁群初始化小波网络的汽油机油膜参数辨识研究

建立瞬态工况小波网络发动机油膜模型,利用蚁群算法对小波网络参数进行初始化寻优,将其作为小波网络参数初始值,以提高小波网络的训练速度和误差精度,并基于该网络模型测试了发动机空燃比瞬态过程,然后利用瞬态工况试验数据进行了仿真,并与台架试验实际数据进行对比。结果表明,基于蚁群算法初始化小波网络模型能有效地辨识发动机瞬态工况油膜参数,高精度地逼近空燃比瞬态过程,不仅具有较强的泛化能力,而且大大缩短了训练时间。蚁群初始化小波网络适用于油膜参数辨识,本研究为发动机瞬态工况空燃比的精确控制奠定了基础。     

基于IEHO算法的太阳电池模型参数辨识

针对传统太阳电池模型参数辨识方法存在精度低、收敛速度慢、易陷入局部最优等不足,提出基于改进象群游牧优化(IEHO)算法的太阳电池模型参数辨识方法。引入混沌初始化,改善初始种群质量,增强种群的遍历性;增加快速移动算子,使算法的收敛速度和全局搜索能力有较大提升;引入精英策略,用最优个体替代最差个体,加快算法寻优速度,缩短寻优时间。应用于太阳电池模型的参数辨识中,IEHO算法比其他算法得到的辨识结果更快更好。对不同光照条件下的太阳电池模型进行参数辨识,辨识结果与实测数据拟合度很高,表明IEHO算法能在不同环境下准确有效地进行太阳电池模型的参数辨识。     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。     

基于PEM与子空间方法的汽油机空燃比动态模型辨识

汽油机空燃比控制常建立在进气道油膜动态辨识的基础上,难以从宏观上考虑发动机运行参数对缸内空燃比的影响.利用子空间辨识N4SID算法研究发动机多参数下的空燃比动态模型.由于N4SID算法辨识出的模型的精度比较差,进一步研究利用预报误差法(PEM)优化子空间N4SID算法辨识出的模型,提高模型精度.结果表明,N4SID方法计算效率较高,但辨识精度较差.利用PEM方法优化N4SID算法所计算出的结果,提高了模型精度,并保持了较高的辨识效率.     

基于IOLBBO算法的水轮机非线性模型参数辨识

为提高考虑弹性水击模型的水轮机系统非线性模型参数辨识的精度、速度、稳定度,采用改进正交学习生物地理学算法(IOLBBO)对该模型进行参数辨识。IOLBBO利用佳点集方法的遍历性,初始化栖息地特征变量;引入精英保留策略,提高算法运行效率;融合正交学习(OL)策略,提高算法全局寻优能力。基于某水轮机动态试验数据的参数辨识计算及对比分析,表明IOLBBO算法可用于水轮机系统非线性模型参数实测辨识,与GA、PSO、QPSO、BBO算法相比,收敛速度更快、参数辨识精度更高、算法更稳定,为电力系统的参数辨识提供了一种新方法。     

基于改进RBF碟式太阳集热器出口气流温度预测

为了改善传统的数学建模预测集热器出口气流温度较为复杂的问题,采用RBF(径向基函数)神经网络建立温度预测模型。考虑到碟式太阳集热器出口气流温度影响因素较多,在大量历史实验数据基础上,分析其主要影响因素。为提高预测精度,提出一种自适应聚类算法对RBF神经网络进行改进,并利用Kennard-Stone选取方法(简称K-S法)的空间均匀分布原理提高训练样本质量。根据碟式太阳能光热系统的实测数据对所提的模型进行测试,结果表明,改进算法可进一步提高预测精度和效率,验证了改进算法的可行性和有效性。     

基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

RBF网络在凝汽器故障诊断中的应用

针对RBF神经网络基函数的中心值和宽度确定的特殊问题,将免疫遗传算法与RBF神经网络相结合, 提出一种基于免疫原理的RBF神经网络模型并应用于凝汽器系统故障诊断中.通过实例验证,结果表明该法有效地提高了故障诊断的精度和速度,具有应用价值.     

基于自适应RBF神经网络PID控制微燃机排气温度

为了获得更好的微燃机性能,需要对排气温度进行很好的控制,采用自适应RBF神经网络PID控制器进行控制。建立了微型燃气轮机排气温度控制的数学模型,给出了一般的RBF神经网络,并引入径向基函数神经网络对PID控制的参数进行调整。通过将其应用于排气温度控制来证明所提出的控制策略的有效性。通过仿真模拟,排气控制系统的动态响应可以有效地提高,并且所提出的控制器的抗扰动性优于PID控制器。     

基于ROLS算法的RBF神经网络燃料电池电特性建模

提出了一种基于ROLS算法的RBF神经网络辨识建立直接甲醇燃料电池(DMFC)电特性模型的新方法。以电池的工作温度为输入量，电池的电压／电流密度为输出量，利用1200组实验数据作为训练和测试样本，建立了在不同工作温度下，电池的电压／电流密度动态响应模型，仿真结果表明采用RBF神经网络辨识建模的方法是有效的，建立的模型精度较高。     

基于径向基函数逆系统的锅炉-汽轮机系统终端滑模控制研究

针对锅炉-汽轮机系统多输入多输出、非线性、强耦合等特点,采用非线性逆系统方法实现反馈线性化和解耦,利用径向基函数（RBF）神经网络方法来辨识逆系统,并通过在线学习减小了建模误差．对解耦后的锅炉-汽轮机系统设计终端滑模控制器,实现了有限时间收敛,采用Lyapunov方法进行了稳定性分析,保证了该控制系统的大范围稳定性．仿真结果表明：该控制系统能够在大范围运行工况下工作良好,优于经典逆系统控制方法设计的系统．     

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。     

洞庭湖区月降雨序列的混沌特性识别及预测研究

基于相空间重构思想,采用最大Laypunov指数法确定洞庭湖区岳阳水文站30 a的月降雨序列具有明显的混沌特性。应用混沌径向基函数神经网络预测月降雨量,预测精度远远低于时间序列分解模型,并表现出高度的无规律性。定量分析了噪声对混沌预测精度的影响,表明监测误差是影响混沌预测精度的一个重要因素,提高数据精度是提高混沌预测精度的一个有效方法。     

特高拱坝多参数反演的智能优化径向基函数网络模型

利用大坝的监测数据对大坝力学参数进行精确反演，对于确保大坝的安全稳定运行至关重要。对此，提出基于径向基函数(RBF)网络和人工大猩猩部队优化算法(GTO)的拱坝参数反演模型。首先，采用RBF代理模型代替有限元模型，探讨材料参数与监测点位移响应之间的关系，RBF代理模型的采样数据由高效的拉丁超立方采样技术生成；其次，采用GTO智能优化算法，使材料参数识别的目标函数最小。工程实例分析结果表明，RBF-GTO模型能够在降低计算成本的同时实现高精度的混凝土特高拱坝参数反演分析。     

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。     

蜂群算法在太阳电池组件参数辨识中的应用

针对太阳电池组件参数辨识精确度不高的问题,提出一种采用蜂群算法应用于参数辨识的方法。太阳电池组件模型采用单二极管串并联模型,在确定太阳能组件参数范围后,利用提出的蜂群算法对电池组件参数进行辨识。在蜂群算法中,不同的蜜蜂用不同类型的路径修改自己的位置,从而避免了过早收敛于局部最优解,进行全局搜索最优解。实验结果表明,蜂群优化算法的辨识的均方根差值为0.00241,计算电流(测量的25组电流值)总误差为0.0413,明显优于混沌无性繁殖算法、混沌粒子群算法、模式搜索算法、模拟退化算法,为太阳电池组件的参数辨识提供了一种新的方法。