EMD与NARX神经网络的风电场总功率组合预测

探索构建对风电场总功率进行直接预测的高精度组合预测算法。考虑到风速的非平稳性导致风电总功率表现为非平稳时间序列,采用NARX神经网络作为初步预测模型,提出了经验模态分解与NARX神经网络相结合的混合预测模型。对风电场总功率非平稳时间序列进行经验模态分解,得到不同频带本征模式分量的平稳序列。对不同频带的平稳分量建立相应的NARX神经网络预测模型,并将各分量模型的预测值进行等权求和得到最终预测值。此外,为研究不同时间间隔对预测结果的影响,采用某大型风电场时间间隔为5 min与15 min的数据进行实验。预测结果表明,提出的组合预测模型适合于总功率预测,其预测效果比传统模型的效果更佳,且时间间隔为5 min的数据比时间间隔为15 min的数据预测精度更高。

基于MI-Granger-NARX融合模型的铁路网规模测算方法

铁路网的建设进程应与经济社会发展保持适度匹配,其路网规模受人口资源、经济社会、交通政策和运营组织等因素影响,具有动态、时滞、非线性的复杂特征。首先,在不依赖先验信息的情况下,运用互信息法对人均GDP、全社会货运量、旅客周转量等12项影响铁路网规模的指标进行互信息计算。接着,运用Granger因果检验对初选指标进一步筛选,获得7项最具解释力的指标。然后,利用NARX良好的学习记忆与延迟反馈功能构建测算模型,以筛选所得7项指标作为自变量输入、铁路网里程序列作为因变量自回归输入测算铁路网里程。最后,将本模型与传统BP、NAR和单一NARX等神经网络模型的测算结果进行验证、对比。结果表明本模型解释能力更强、泛化能力更好和结果精度更高。

基于NARX神经网络的光伏发电功率预测研究

为了较准确地预测光伏发电系统的发电功率,建立了动态神经网络预测模型。该模型采用有外部输入的非线性自回归神经网络(NARX)结构,考虑太阳能辐射量和电池板温度对光伏发电功率的影响,利用NARX神经网络强大的非线性映射和泛化能力,进行了发电功率的预测。结果表明,利用NARX神经网络预测光伏发电功率是可行的,并且与传统BP神经网络相比,具有良好的适应性和预测精度。

可重构功放的新颖NARX神经网络逆向建模研究

针对使用CAD软件设计射频微波电路繁琐且耗时长等缺点,提出一种新颖的带外部输入的非线性自回归(NARX)神经网络逆向建模方法。此方法采用具有激励函数的NARX神经网络(DAFNN)为模型以提高网络的泛化能力,利用支持向量机(SVM)替代模型的前馈部分完成数据分类,解决设计中的多解问题。然后应用于可以覆盖多个频段的可重构功率放大器中,实验表明,该方法在精度方面分别优于直接逆向建模方法和自适应η逆向建模方法99.86%和81.32%,计算速度方面优于直接逆向建模方法31.72%,可以降低射频微波可重构功率放大器的设计复杂度、缩短其设计时间。

基于CSA-NARX模型的电梯钢丝绳动态张力预测方法

为了预测曳引式电梯钢丝绳的动态张力,对带有外部输入的非线性自回归神经网络(NARX)进行研究,利用变色龙优化算法(CSA)对其关键参数进行优化,提出了CSA-NARX神经网络模型。该模型在计算速度以及预测精度方面皆优于NARX基础模型。最后,利用提出的神经网络模型对电梯上行过程中钢丝绳的动态张力进行预测,其预测精度达到了97%。以传统的非平稳时间序列分析模型ARMA和LSTM为对比,所提出模型的精度更高,验证了所提出模型的有效性。

热弹性效应分析与机床进给系统热动态特性建模

通过一维杆的一维传热的分组显式数值求解,分析热弹性效应的存在及规律,得出随着时间的增长,温升—热变形之间的关系会逐渐趋近稳态,但不可能获得绝对的稳态;在传热过程中,随着距离增加,温度衰减很快,离热源越远的点的热弹性效环应越窄。提出用非线性时序模型与前向神经网络相结合的模型(Nonlinear auto-regressive moving average neural network with exogenousinputs,NARMAX-NN)来辨识热弹性效应。用NARMAX-NN模型对高速进给系统试验台的热动态特性进行建模,获得良好的效果。此方法比多变量回归模型、反馈神经网络模型及广义最小二乘输出误差模型有更好的精度和鲁棒性,能精确地对复杂结构、多热源的时变非线性热误差特性进行建模和预测。

基于履带车辆车体动态响应的行驶路面不平度识别

建立了基于履带车辆车体动态响应的行驶路面不平度识别的模型。该模型采用带外源输入的非线性自回归神经网络结构,以履带车辆车体动态响应为输入、路面不平度为输出。将相关性系数、均方根误差和绝对误差累计概率密度作为识别效果的评价指标,并给出了上述三个指标的融合方法。基于正交试验设计的思路分析并实现了路面不平度识别模型输入数量和识别效果的平衡,简化了测试系统传感器的布置。分析了不同的路面、采样频率和车速下的路面不平度识别效果。结果表明,提出的不平度识别方法满足工程实际需求。

基于XGBoost的溶解氧预测模型研究

为了提高溶解氧的预测精度,以水产品溯源与安全预警平台的监测数据为基础,提出一种基于XGBoost模型的水质参数预测方法,并与LSTM和PCA-NARX网络预测模型进行48h内的溶解氧预测对比。仿真结果表明:通过XGBoost模型预测的结果均方根误差(RMSE)最小,在24 h和48 h内的泛化能力均高于LSTM和PCA-NARX模型。

基于RBF-ARX模型的多变量系统非线性预测控制

提出了基于RBF-ARX模型的压铸机多变量压射过程非线性预测控制算法。在参考历史数据和机理模型建立RBF-ARX全局非线性动态模型的基础上,以快速收敛的结构化非线性参数优化策略离线辨识估计和优化模型参数,确定了预测控制系统的结构和多步向前预测控制输出。与传统PID控制算法的速度设定值跟踪效果对比表明基于RBF-ARX模型的非线性预测控制算法动态特性好,控制精度高。

基于预测模型的发电厂异常数据辨识方法

发电统计数据是我国实施电力监管的重要依据,其中的发电厂用电率作为反映电厂生产效能、论证节能降耗情况的关键指标,验证其上报数据的真实性和准确性十分重要。为此,提出一种基于预测模型的发电厂异常数据辨识方法。该方法首先利用Adaboost改进非线性有源自回归模型(NARX)神经网络构建发电厂用电率预测模型,通过不断引入上报值以动态的方式对当前时刻发电厂用电率进行预测。当发电厂用电率时间序列出现突变时,残差时间序列会出现明显的增大或减小,进而利用孤立森林算法得到各残差向量组的异常分值从而辨识出异常点。最后,利用该方法对注入了虚假数据的实际发电数据进行辨识,验证了所提方法的有效性。

南极天文光学望远镜智能化除霜方法

南极Dome A(冰穹A)因其优良的观测条件被誉为地球上最好的天文观测台址之一。Dome A温度常年处于-30^-80℃,相对湿度40%~80%,温度起伏大,望远镜镜面易结霜,影响天文观测的效率和质量。为实现无人值守的智能化镜面除霜、减少除霜对观测时间的占用、降低除霜对镜面视宁度的影响、减少除霜对能源的消耗,提出了智能化除霜方法。首先,分析环境、科学数据、仪器三者的关系,利用外部输入非线性自回归(nonlinear auto regressive models with exogenous input,NARX)时间序列神经网络构建望远镜镜面状态的预测模型;其次,设计南极望远镜智能化除霜仿真系统,实时预测镜面情况,根据预测结果模拟采取相应的应对措施。结果表明该方法能有效实现智能化除霜,减少了人为干预,节约了观测时间,提高了望远镜运行的可靠性。