基于广义生长-剪枝径向基函数神经网络的谐波源建模

采用广义生长-剪枝RBF神经网络建立稳态频域的谐波源模型。在该模型中,各次谐波电流的幅值和相角与各次谐波电压的幅值和相角以及负荷特征参数的非线性映射关系通过一种新颖的广义生长?剪枝RBF网络进行建模。该网络的学习算法是串行的,可以进行动态建模。算例计算表明,该模型具有训练时间少、精度高、可动态建模等优点。

电动车电池SOC估计的径向基函数神经网络方法

结合电池容量估计问题,将广义生长剪枝径向基函数神经网络方法用于判断电动车蓄电池的荷电状态。通过神经网络输入参数的选择,文章设计标准模型、递推模型和安时模型三种不同的估计模型。实验结果表明:估计模型经过训练后,可以通过,蓄电池的工作电压、工作电流和表面温度参数估计蓄电池的荷电状态实时值,其中安时模型的训练时间、估计精度、网络的规模较其他两种模型更为出色。同时,本文引入解耦卡尔曼滤波器算法,有效提高了广义生长剪枝径向基神经网络的训练速度,在保证精度的前提下,将模型的训练时间缩短了1/2。

超临界机组燃水比GAP-DRFNN的优化控制

分析某厂直流锅炉燃水比控制系统,设计出基于生长剪枝动态递归模糊神经网络(Growing and pruning dynamic recurrent fuzzy neural network,GAP-DRFNN)的燃水比优化控制系统,GAP-DRFNN以汽水分离器出口工质温度偏差最小为导出信号,综合学习燃水比控制主要状态参数,实时输出燃水比最佳控制量。随着当前主要相关状态参数的输入,GAP-DRFNN通过结构学习,自动增加和修剪神经元,而且根据梯度下降法,动态调整网络的隶属函数参数以及神经网络递归权值。实验结果表明:此方案中燃水比控制可兼顾快速性和准确性,在变工况时系统仍具有优异的动静态性能,控制效果优于传统PID控制。

基于GGAP-RBF神经网络的多参数纯电动客车蓄电池荷电状态预测

为了准确预测纯电动客车蓄电池的荷电状态(SOC),提出了基于广义生长剪枝径向基函数(GGAP-RBF)神经网络的多参数纯电动客车蓄电池SOC预测模型。首先以蓄电池端电压、放电电流、环境温度和循环次数作为神经网络输入参数建立GGAP-RBF神经网络蓄电池SOC预测模型,然后以不同放电倍率、环境温度和循环次数的蓄电池放电试验数据作为样本对模型进行训练,并建立了蓄电池仿真模型和纯电动客车整车仿真模型,最后进行了城市道路循环行驶工况(UDDS工况)下单体蓄电池放电试验和纯电动客车40km·h-1等速行驶续驶里程试验研究。结果表明:UDDS工况下,SOC预测值与试验值的均方根误差为0.026 4,平均绝对误差为0.020 6;纯电动客车40km·h-1等速行驶工况下,SOC预测值与试验值的均方根误差为0.039 9,平均绝对误差为0.031 3;表明所建立的蓄电池SOC预测模型在各种工况下均能精确预测蓄电池SOC。