一种利用多层感知机和I-V特性的光伏组件建模方法

为了提高光伏组件模型的准确度和可靠性,本文提出了一种利用多层感知机和不同工况下实测的I-V特性曲线数据集的建模新方法。首先,使用双线性插值法对实测I-V曲线进行重采样,以提高I-V曲线上数据点分布的均匀性;进而使用基于温度-辐照度的网格采样法对数据集进行下采样,降低数据冗余度。其次,提出一种基于多层感知机神经网络的光伏组件模型,并基于预处理的I-V曲线数据集,使用Adam算法训练该模型。最后,采用美国国家可再生能源实验室提供的实测I-V特性曲线数据集,验证和测试了所提出的建模方法,并与支持向量机、梯度提升决策树等机器学习算法进行对比。实验结果证明,所提出的建模方法具有最高的精度和泛化性能。     

利用改进Elman神经网络的光伏I-V特性建模方法

为了准确表征和预测光伏(PV)组件在不同工况下的电流电压(I-V)特性，提出一种利用改进Elman神经网络的光伏I-V曲线黑盒建模新方法.首先，通过皮尔森相关系数分析影响I-V曲线的环境因素；其次，使用基于电压电流的双线性插值法对实测I-V曲线进行重采样，以提高I-V曲线上数据点分布的均匀性；再次，使用基于辐照度温度的网格采样法对I-V曲线数据集进行下采样，降低数据冗余度，并利用量子粒子群(QPSO)算法优化Elman神经网络的初始权值和阈值，从而构造QPSO-Elman预测模型.最后，根据实测I-V曲线数据集进行实验验证和测试，并与多层感知机、未改进的Elman网络、支持向量机等算法进行对比.实验结果表明，所提出的建模预测方法精度更高，稳定性和泛化能力更好.     

一种利用改进Elman神经网络的光伏I-V特性建模方法

为了准确表征和预测光伏（PV）组件在不同工况下的电流电压（I-V）特性,本文提出一种利用改进Elman神经网络的光伏I-V曲线黑盒建模新方法。首先通过皮尔森相关系数分析影响I-V曲线的环境因素;其次使用基于电压电流的双线性插值法对实测I-V曲线进行重采样,以提高I-V曲线上数据点分布的均匀性;进而使用基于辐照度温度的网格采样法对I-V曲线数据集进行下采样,降低数据冗余度;再利用量子粒子群（QPSO）算法优化Elman神经网络的初始权值和阈值,从而构造QPSO-Elman预测模型。最后根据美国国家可再生能源实验室（NREL）提供的I-V曲线数据集进行实验验证和测试。实验结果表明,所提出的建模预测方法精度更高,稳定性和泛化能力更好。     

利用相似日小波变换和多层感知机的短期光伏功率预测

为了提高光伏功率预测的准确性和可靠性,基于相似日小波变换和多层感知机建立智能光伏功率预测模型;将小波变换的多分辨率特点和多层感知机的非线性拟合能力结合起来,以有效地提高预报的可靠性.首先,选取相似日数据并归一化,并用小波变换对数据进行预处理;其次,训练多层感知机模型学习气象因素与光伏功率之间的映射关系;最后,基于沙漠知...     

光伏模组积灰与阴影特性分析及识别方法

针对光伏模组积灰与阴影特性识别问题,详细分析了积灰和阴影的光伏特性曲线差异,揭示了阴影光伏曲线的拐点时变特性。提出由特性曲线的拐点数量及电流电压特性条件共同构成训练模型的输入特征量,基于CatBoost算法训练积灰和阴影识别模型。最后,利用光伏模组实测数据对CatBoost算法、ID3和GA-BP算法训练出的识别模型进行性能分析和对比测试,结果表明基于CatBoost训练出的识别模型输入量区分性强、诊断精度高,极具工程应用价值。     

基于卷积神经网络的入侵检测算法

作为深度学习的一种有效算法,深度卷积网络已成功应用在处理图像、视频和音频等领域.通过建立一卷积神经网络模型并应用于网络入侵检测,选取的卷积核与数据进行卷积操作提取特征的局部相关性从而提高特征提取的准确度.采集到的网络数据通过多层"卷积层-下采样层"的处理对网络中正常行为和异常行为的特征进行深度刻画,最后通过多层感知机进行正确分类.KDD 99数据集上的实验表明,文中提出的卷积神经网络模型与经典BP神经网络、SVM算法等相比,有效提高了入侵检测识别的分类准确性.      

基于触觉阵列感知的机器人稳定抓取判别方法

针对传统的单点压力传感器获取的接触力无法完备反映机器人的抓取接触状态,难以实现准确的机器人抓取状态判别的问题,基于触觉阵列传感器的多点感知特性,提出一种高效高准确率的机器人稳定抓取判别方法．首先,采集机器人抓取属性各异物体时的接触分布力信息,建立分布力与触觉图像的映射,构建机器人抓取触觉图像数据集;基于多层感知机框架建立机器人抓取状态判别模型,实现机器人抓取状态的分类．然后,通过训练并对多层感知机在不同模型层数与节点数下的模型性能进行优选,得到抓取状态判别模型的最优参数,进而与多种基于学习的抓取判别算法进行对比．结果表明：所提出的抓取状态判别方法具有99.74%的判别准确率,平均耗时为2.3 ms,在判别精度和速度上均优于基线算法;通过实物抓取实验,该方法的判别准确率达到94%,充分证明其对数据集外物体的稳定抓取判别具有较强的鲁棒性．     

基于多层感知机改进型Xception人脸表情识别

针对使用深度学习提取人脸表情图像特征时易出现冗余特征,提出了一种基于多 层感知机（MLP）的改进型 Xception 人脸表情识别网络 . 该模型将 Xception 网络提取的特征输 入至多层感知机中进行加权处理,提取出主要特征,滤除冗余特征,从而使得识别准确率得到 提升 . 首先将图像缩放为 48*48,然后对数据集进行增强处理,再将这些经过处理的图片送入 本文所提网络模型中. 消融实验对比表明：本文模型在CK+数据集、JAFFE数据集和MMI数据 集上的正确识别率分别为98.991%、99.02%和80.339%,Xception模型在CK+数据集、JAFFE数 据集和 MMI 数据集上的正确识别率分别为 97.4829%、90.476% 和 74.0678%,Xception+2lay 模 型在 CK+数据集、JAFFE 数据集和 MMI 数据集上的正确识别率分别为 98.04%、84.06% 和 75.593%. 通过以上消融实验对比,本文方法的识别正确率明显优于Xception模型与Xception+ 2lay模型. 与其他模型相比较也验证了本文模型的有效性.     

改进多种群粒子群算法辨识光伏组件参数

针对光伏组件参数辨识问题,通过调整光伏单二极管超越方程重构低计算复杂度的目标函数,以预估计模型参数对搜索空间进行优化.然后,结合多种群粒子群算法与单纯形算法的优点,构造出N-MPSO混合新算法用于光伏组件模型参数的精确稳定辨识.最后,利用多种实际光伏组件测量数据对所提方法进行检验.结果表明:N-MPSO算法相较于传统算法能够更加准确、快速,且能稳定地辨识出任意环境条件下光伏组件的模型参数,对于光伏组件及光伏电站的设计、测试与诊断具有实际意义.     

一种基于混合深度学习的推荐算法

为解决推荐算法中的冷启动和数据稀疏性问题,提高推荐的效率,提出一种基于混合深度学习的推荐算法。该算法将深度学习中的半自动编码器和多层感知机模型有效结合,通过半自动编码器模型解决稀疏数据,并融合相关辅助信息解决冷启动问题。它先用半自动编码器提取用户和项目的深层次特征,再将提取的潜在特征输入到多层感知机中进行非线性融合,完成评分预测。实验结果表明,相比于其他算法,该算法可以更好地处理稀疏数据和冷启动问题,使推荐准确性得到不同程度的提升。在给定数据集上,该算法比传统矩阵分解算法的均方根误差提升了约46%。     

基于状态转移算法的极限学习机

目前极限学习机在训练模型时存在占用计算资源多和模型精度低等问题. 为了解决上述问题,提出了一种基于状态转移算法的极限学习机,可提升算法计算效率和模型精度. 利用状态转移算法的全局搜索特性求解线性方程组,得到极限学习机的输出权重矩阵,进而完成建模. 在分类和回归数据集上与极限学习机和其他主流算法进行对比,所提方法可以利用较少的隐藏层节点得到高精度的模型,同时具有更好的学习准确率. 这种高性能的建模方式弥补了极限学习机的不足.      

基于实时仿真硬件在环的光伏逆变控制器参数辨识

为准确获取光伏逆变控制器参数,在仿真中实现对光伏系统的精确建模,以便正确分析光伏并网系统的动态性能。提出了一种基于实时仿真硬件在环测试的光伏逆变控制器参数辨识方法。该方法采用基于粒子群算法的dq轴参数解耦辨识策略,通过搭建光伏逆变控制器-实时仿真硬件在环测试平台,将测得多种工况下光伏逆变器的响应数据作为实测数据。利用快速原型控制器(rapid prototyping controller, RCP)对所提出辨识策略准确性进行验证后,利用平台对实际控制器进行硬件在环实验,并依据辨识结果在Simulink中建立仿真模型与实测数据对比。结果表明:所提辨识方法正确性及有效性,可以满足电力系统暂态仿真需求。     

一种光伏组件I-V特性曲线测试及参数辨识系统

提出一种光伏组件的I-V曲线扫描与参数识别系统.该系统采用功率MOS管作为电子负载,通过控制MOS管的导通程度改变电子负载以实现I-V特性曲线扫描;采用新型布谷鸟-NM单纯形混合算法实现快速、精确的I-V曲线拟合,以提取准确光伏模型参数.现场实验结果表明:该系统能够快速扫描光伏组件的I-V特性曲线,实现精确的模型参数辨识,具有较高的实际工程应用价值.     

基于参数优化的光伏电池故障诊断

提出一种基于参数优化的光伏电池故障诊断方法.采用优化的人工蜂群算法对影响光伏电池I-V曲线的参数进行辨识,获取不同故障类型光伏电池特征参数数据集,建立概率神经网络故障诊断模型对光伏电池故障类型进行诊断.仿真结果表明,优化的人工蜂群算法能够对光伏电池特征参数进行快速、准确的辨识,故障诊断结果与故障特征一致,验证了基于参数优化光伏电池故障诊断方法的有效性.     

基于岭回归算法自动优化既有铁路曲线的研究

针对捣固车作业特点,以实际作业所采集到的某条既有铁路曲线的实测数据为例,采用正矢-距离坐标系为参考系,通过编程对实测数据所得曲线的特征进行分析,提出采用岭回归算法对实测数据进行曲线拟合,并通过对比不同采样点及不同λ系数对实际曲线的拨道量及曲率变化情况,仿真结果表明针对该实测数据,当采样点相同而λ值不同时,λ值为0.001时的拟合效果最佳;当采样点不同而λ值相同时,取8 m为一个采样点所得拟合效果最佳.实例分析表明,算法可以得到可供实际整正作业的、拨道量最小的、较为平滑的优化曲线,算法适用于捣固车作业.     

光伏电站机电暂态实用化等值建模方法

为兼顾光伏电站实际运行特性及大电网全域仿真压力,同时考虑场站级建模实际成本及工程推广,提出一种光伏电站机电暂态实用化等值建模方法。首先基于光伏电站有功功率控制及逆变器低电压穿越试验实测数据,利用最小二乘估计法辨识得到符合实际特性的光伏发电单元关键参数,并在此基础上考虑集电线路等对光伏电站暂态特性的影响,依据光伏电站整场实际运行情况搭建完成场站级详细机电暂态模型;然后基于综合距离指标实现扰动情况下对各光伏方阵的分群聚类,并根据分群结果利用等值前后并网点输出功率不变原则求取集电线路等值参数,由此完成场站级等值模型搭建。最后仿真对比某实际光伏电站等值模型及详细模型运行特性,结果表明所提机电暂态等值建模方法具有较好的准确性和工程实用性。     

基于长短期记忆神经网络的板裂纹损伤检测方法

针对板不同位置裂纹损伤的智能分类问题,提出了一种基于长短期记忆(LSTM)神经网络的板裂纹损伤检测方法.采用Abaqus二次开发建立板裂纹损伤模型,计算高斯白噪声激励下板的加速度响应,并通过数据扩充方法生成数据集,同时考虑了噪声对损伤检测的影响.建立基于LSTM的板裂纹智能检测模型,直接将板的加速度响应作为输入,不需要额外的损伤特征提取,并以最小预测误差为目标,选择模型的超参数,优化模型配置.与多层感知机模型和基于小波包变换的多层感知机模型进行对比表明,本文提出的LSTM模型在板裂纹损伤检测中具有更高的损伤定位精度和更好的适用性.     

基于改进多种群粒子群算法的光伏组件参数辨识

针对光伏组件参数辨识问题,本文首先通过调整光伏单二极管超越方程重构出低计算复杂度的目标函数,又预估计模型参数对搜索空间进行优化,再结合多种群粒子群算法与单纯形算法的优点,构造出N-MPSO混合新算法用于光伏组件模型参数的精确稳定辨识。最后利用多种实际光伏组件测量数据对所提方法进行检验。结果表明N-MPSO算法相较于传统算法能够更加准确、快速且稳定地辨识出任意环境条件下光伏组件的模型参数,对于光伏组件及光伏电站的设计、测试与诊断具有实际意义。     

基于贝叶斯模型组合的随机森林预测方法

为了能够精准可靠地估计太阳能辐照度,本文提出一种基于贝叶斯模型组合的随机森林算法用于太阳能辐照度预测.首先,引入K-means聚类和K折交叉验证将气象数据训练集生成多个训练子集,以增加训练子集的多样性并保证均匀采样.其次,将随机森林作为基学习器建立集成学习预测模型,导入训练子集并训练各个随机森林.之后,依据各个随机森林在验证集上的预测性能,采用贝叶斯模型组合算法制定组合策略.个体随机森林在测试集上的预测值经过模型组合策略得到最终输出.最后,基于气象实测数据建立仿真实验,并引入其他四种预测方法进行对比仿真研究,通过实验结果验证了文中所提出预测方法在太阳能辐照度预测问题中的准确性和可靠性.     

基于仿真模型的光伏组串故障分析方法

本文提出一种基于伏安输出曲线仿真的光伏组串故障诊断方法.采用Matlab/Simulink软件,以光伏组件数学模型为基础,构建光伏组串故障分析模型.使用模型对存在灰尘沉积、阴影遮挡、组件功率衰减等问题组串伏安输出特性进行仿真,验证故障分析模型的准确性,并总结不同故障类型下组串伏安输出特性的变化规律.