基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测

针对滚动轴承的性能退化指标及其波动范围难以有效预测的问题,提出了一种基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测方法。首先以一定的时间间隔采集滚动轴承运行过程中的振动信号序列,提取各个振动信号序列的特征指标,对特征指标序列进行模糊信息粒化,进而提取各个粒化窗口的有效分量信息;随后通过构建小波支持向量机对各个指标分量分别建立预测模型,实现对滚动轴承性能退化指标的退化趋势及波动范围的预测。实验结果表明,该预测方法可以有效跟踪滚动轴承性能衰退指标的变化趋势,并对其指标的波动范围进行有效预测。     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成B...     

基于相似日和RBF神经网络的短期电力负荷预测

短期电力负荷预测中选取合适的相似日作为训练样本可以简化训练过程并提高预测精度。为了减小积温效应对相似日选取的影响,提出了一种根据综合相似度选取相似日的方法。通过将温度和其他负荷影响因素分别计算相似度,从而根据计算得到的综合相似度来选取相似日。此外,为了提高RBF神经网络的预测效果,将训练样本先用减聚类进行聚类,根据聚类结果设置模糊c-means聚类的初值,运用模糊c-means聚类来优化RBF神经网络的隐含层参数,最后结合相似日和改进RBF神经网络进行短期电力负荷预测。通过实际电力负荷数据的仿真分析验证了所提方法的有效性。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。     

基于模糊信息粒化SVM的飞机发电机故障预测

为实现复杂系统的视情维修,对故障预测的需求越来越高。将信息粒化概念引入支持向量机,提出基于模糊信息粒化支持向量机的预测算法,在分析三级无刷交流发电机脉宽调制调压器故障特征的基础上,实现对导通率的区间预测。实验结果表明,预测算法的准确率较高且可行有效,具有实际应用价值。     

基于模糊神经网络的电力负荷短期预测

电力系统短期负荷预测是电力部门的一项重要工作,它对合理安排机组启停、确定燃料供应计划、进行电力交易等都具有重要的意义.应用模糊神经网络结合遗传算法实现预测系统通过对历史数据的自适应学习建立的模糊预测模型,算法上采用改进的BP算法.通过MATLAB仿真分析了该预测系统的优越性和准确性.     

电力系统短期负荷预测中小波函数的选择

针对应用小波分析进行电力系统短期负荷预测中小波函数的选择问题,以dbN小波系作为变换工具,通过最大李氏指数检测,比较了不同N所产生的预测精度,确定了一种db小波函数为短期负荷预测的核心变换工具。研究结果表明,采用db4作为短期负荷预测的小波函数,预测的结果具有较高的精度。     

夏季短期负荷预测研究

近年来,气候异常,夏季温度异常高,尤其是经过数日的高温后,电力负荷往往会超出预期。因此考虑夏季高温的累积影响,建立了当天气温与近几天的气温之间的修正公式,采用人工神经网络法,利用修正后的气温去预测某天的负荷。算例表明,修正气温后,日最大负荷和日最高气温之间的相关性指数超过0.9,进一步地,夏季连续高温情况下的短期负荷的预测精度能够得到有效提高。     

信息熵与优化LS-SVM的轴承性能退化模糊粒化预测

为了提高滚动轴承性能退化指标的预测精度,得到性能退化指标的一个预测范围,本文提出信息熵与优化最小二乘支持向量机(LS-SVM)的轴承性能退化趋势模糊粒化预测。首先利用信息熵理论提取轴承信号的性能退化指标序列,再利用模糊信息粒化理论对该性能退化指标序列进行模糊信息粒化;然后将粒化后的数据输入给LS-SVM进行回归预测,并采用粒子群算法(PSO)优化LS-SVM的惩罚参数和核函数参数;最后根据实测值和预测值的对比分析评估预测模型的优良性。实验结果表明,对于每个时间段内的轴承性能退化指标,该方法均能获得准确的预测结果,具备较强的实用性和工程应用价值。     

基于模糊小波神经网络的加工过程自适应控制

为了克服模糊控制动态响应慢和鲁棒性差的缺点,将模糊控制的定性知识表达能力与小波分析优异的局部控制性能和神经网络的定量学习能力相结合,提出了一种模糊小波神经网络自适应控制器,并将其应用于加工过程控制。对变切削深度的铣削加工过程控制的仿真结果表明,基于模糊小波神经网络的加工过程自适应控制,其控制效果优于一般的模糊控制和神经网络控制,具有很好的动、静态性能。该自适应控制器能有效防止刀具损坏和提高加工效率,是一种有效的加工过程控制方法。     

基于MEA-Elman神经网络的电力日负荷预测

Elman神经网络是一种动态反馈网络,对历史状态敏感,具有短期记忆功能和处理动态信息的能力,可以建立动态、非线性电力负荷预测模型。由于Elman神经网络采用BP算法,容易陷入局部极小解,迭代次数多且学习效率低,该文利用思维进化算法(MEA)优化Elman神经网络的方法,提出基于MEA-Elman神经网络的电力负荷预测模型。实验表明,该方法能够避免不成熟收敛问题,减少迭代次数,有效提高了配电网短期负荷的预测精度,对电力系统合理调度与规划具有重要意义。     

基于改进型模糊神经网络PID阀位控制研究

针对调节阀控制系统在实际生产中存在的大滞后、非线性等问题,提出一种改进粒子群算法优化的模糊神经网络比例积分微分(PID)控制模型用于阀位控制,该模型利用模糊神经网络的自学习能力,实现对PID控制参数的实时在线整定,并且通过将改进粒子群算法与BP算法相结合的方式,实现对模糊神经网络参数的粗调和细调,克服了模糊神经网络收敛缓慢、易陷入局部最优的缺点;最后,利用MATLAB和AMESim软件进行联合仿真,仿真结果表明,该模型相比于其他两种算法在调节时间、超调量等性能方面都有很大的提升,并且表现出更强的鲁棒性和抗扰动能力,能够使阀位控制更加稳定可靠。     

采用改进最优模糊C均值聚类和改进和声搜索算法的配电网动态重构

针对配电网络动态重构中的开关操作次数约束难以处理与和声搜索算法寻优效率低的问题,分别提出了改进的最优模糊C均值聚类法和改进的和声搜索算法,利用前者对研究时间区间的负荷进行聚类从而将配电网动态重构转为以聚类中心代表各分段负荷的多个静态重构子问题,利用后者对各静态重构问题进行求解。每个时间点的优化网络结构由相应的聚类中心的重构结果决定,由此得到配电网络重构的操作时间点和操作开关。在IEEE 33节点配电系统负荷数据的基础上构建1天的负荷数据并对该系统进行动态重构。研究结果表明,该方法能够控制开关操作次数,提高静态重构算法的寻优效率。     

Soft sensor modeling of chemical process based on self-organizing recurrent interval type-2 fuzzy neural network

This study introduces a novel self-organizing recurrent interval type-2 fuzzy neural network (SRIT2FNN) for the construction of a soft sensor model for a complex chemical process. The proposed SRIT2FNN combines interval type-2 fuzzy logic systems (IT2FLSs) and recurrent neural networks (RNNs) to improve the modeling precision. The Gaussian interval type-2 membership function is used to describe the antecedent part of the SRIT2FNN fuzzy rule, and the consequent part is of the Mamdani type with an interval random number. An adaptive optimal clustering number of fuzzy kernel clustering algorithm based on a Gaussian kernel validity index (GKVI-AOCN-FKCM) is developed to determine the structure of the SRIT2FNN and fuzzy rule antecedent parameters, and the parameter learning of SRIT2FNN used the gradient descent method. Finally, the proposed SRIT2FNN is applied to the soft sensor modeling of ethylene cracking furnace yield in a typical chemical process. Comparisons between the SRIT2FNN and conventional fuzzy neural network (FNN) and interval type-2 fuzzy neural network (IT2FNN) are made via simulation experiments. The results show that the proposed SRIT2FNN performs better than the conventional FNN and IT2FNN.     

基于正则化 AdaBound 的区间二型模糊 神经网络软测量建模

针对复杂化工过程中存在强非线性、多变量耦合、参数时变及大时滞等因素,导致监测变量软测量精度不高的问题,提 出了一种基于正则化 AdaBound 的区间二型模糊神经网络(RAIT2FNN) 软测量建模方法。 首先为了解决区间二型神经网络 (IT2FNN)结构难以确定的问题,提出了一种采用激励强度和相似度定义增长和删减指标的自组织产生规则的算法。 该算法利 用激励强度的大小决定是否产生规则,并根据相似度进行规则的删减从而确定了区间二型模糊神经网络的结构。 其次,本文提 出正则化和 AdaBound 相结合的算法对 RAIT2FNN 模型相关参数进行修正,使得不同参数具有有界的自适应学习速率。 最后将 RAIT2FNN 作为软测量模型应用于环己烷无催化氧化过程尾氧浓度预测问题中。 实验结果为测试时间为 0. 008 2,训练 RMSE 为 0. 018 2,测试 RMSE 为 0. 009 6,表明 RAIT2FNN 作为软测量模型具有预测及时且预测精度较高的优点。     

基于互信息法和改进模糊聚类的机床热关键点优化研究

基于热误差模型进行机床热误差补偿是保证数控机床加工精度的一种有效方法,温度测点的布置和辨识会直接影响热误差建模的精确性和鲁棒性。本文提出一种互信息和改进模糊聚类法相结合的机床热关键点优化方法。以机床不同位置处的多个测点温度值及工件热变形作为分析数据,通过计算温度变量与热变形之间的平均互信息量,获得其综合关联度矩阵,确定二者之间的相关性后初选温度变量。根据改进模糊聚类法、F统计量和复判定系数对初选的温测点进行聚类,并结合温度变量与热变形之间的综合关联度值提取机床热关键点,从而实现测点优化。将基于该方法所得到的热误差模型与采用变量分组优化法获得的热误差模型进行比较,结果显示采用该方法进行热误差建模,机床X轴和Y轴的热变形预测精度得到显著提高,有利于改善加工精度。     

基于改进的灰色理论在中长期电力负荷预测中的应用

面对中长期电力负荷预测“小样本”、“少信息”、“非线性”等特点[1],灰色预测模型在电力负荷预测中起决定性的作用。该文论述了基本GM（1,1）模型、一次平滑法的GM（1,1）模型。针对以上两种模型的缺点和不足,通过对初始数据的二次平滑处理,又提出了改进的灰色预测模型---二次平滑法的GM（1,1）模型。通过算例检验与典型的实例研究上述3种灰色模型在中长期负荷预测中的应用。结果表明,和前面两种预测模型相比较,二次平滑法的GM（1,1）模型在电力系统电量的实际预测中更精确,误差更小。