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,提出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;然后使用基于温度-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更高的精度和泛化性能.     

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.     

OIF Elman神经网络在股市综合指数预测中的应用

利用具有动态反馈机制的OIF Elman(Output-Input Feedback Elman)人工神经网络模型对股市的综合指数进行预测,为股票市场的建模及预测提供了一种新的技术和方法。实验模拟结果表明,OIF Elman网络具有极佳的逼近性能,预测数据与实际数据基本吻合,因此,OIF Elman神经网络用于股市预测是可行、有效的,具有很好的预测潜能和广泛的应用前景。     

离散时间模型预测控制在光伏并网中的研究

针对光伏并网逆变器的工作特性,提出了一种基于SVPWM离散时间模型预测控制（MPC）的光伏并网,构建了一个新型的价值函数,建立了光伏并网系统数学模型．在每个采样周期内,根据预测控制模型,对三相并网逆变器的8个电压矢量进行筛选,得到使价值函数最小的电压矢量,并根据预测算法,计算出电压矢量在下一个采样周期中所作用的时间．通过Matlab／simulink分别对传统的滞环控制以及离散时间模型预测的光伏并网进行了仿真,验证了基于MPC的光伏并网具有更好的动态、静态特性,并网网侧谐波小,实现了旃由电流以及q轴电流的解耦控制,对光伏并网具有一定的意义．     

模糊前向神经网络在瓦斯涌出量预测中的应用

为解决多输入单输出数据集的建模预测问题,提出一种基于Mamdani型模糊系统和前向神经网络的模糊神经网络,实现了瓦斯涌出量的建模预测.首先由采样数据生成模糊规则,明确了前向神经网络的网络结构.在Mamdani型模糊系统中提取出了隐含层神经元激励函数,并据此确定了模糊前向神经网络的表达式.然后对BP学习算法进行了改进,得到了权值直接确定的矩阵式.最后在瓦斯涌出量预测中,利用主成分分析法选取了较为重要的3个因素.仿真实验表明模糊前向神经网络具有较高的建模和预测精度.     

基于伪标签-1D DenseNet-KNN的光伏阵列开集复合故障诊断方法

提出了一种基于伪标签-1D DenseNet-KNN的光伏阵列故障诊断方法,实现在少标签样本下的光伏阵列复合故障开集识别。首先,分析了各种常见单一故障及灰尘覆盖下复合故障的I-V曲线特性。然后,为了克服常规的半监督机器学习算法需手动提取数据特征,采用一种伪标签与1D DenseNet相结合的半监督方法自动提取特征。最后,将对训练数据提取的特征、训练数据预测的标签及测试样本提取的特征输入K最近邻（KNN）算法进行开集复合故障诊断。实验表明,该方法不仅能准确分类各种已知类样本,而且能识别出未知类别故障,并且模型的训练仅需少量标签数据。     

车用锂离子动力电池剩余寿命非线性组合预测研究

针对单一预测模型难以准确预测锂电池的剩余寿命（remaining useful life, RUL）难题,提出了非线性组合预测方法;利用相空间重构,对实验采集到的数据进行重构,将重构后的数据对改进Elman神经网络和非线性自回归（nonlinear autoregressive with exogenous input,NARX）神经网络这2个单项预测模型进行训练和预测;采用RBF神经网络对2个单项模型的预测值进行非线性组合,获得最终的RUL预测值．结果表明:非线性组合预测方法的均方根误差比PCA-NARX方法提高了近1%,比NARX方法提高了近2%,比改进Elman方法提高了近3%;非线性组合预测方法具有较高的精度及泛化能力,采用相空间重构技术有利于提高非线性组合方法的预测精度．      

基于神经网络的雪崩光电二极管SPICE模型构建

针对雪崩光电二极管（Avalanche Photodiode， APD）雪崩前后电流数量级相差大、I-V特性曲线变化剧烈的特点，在对I-V特性数据进行对数化、归一化预处理的基础上，采用浅层神经网络完成I-V函数拟合，并进一步优化神经网络结构以提升模型准确性. 在此基础上，使用Verilog-A硬件描述语言实现APD的SPICE模型，并应用Cadence软件设计电路验证模型的有效性和准确性，引入相对误差评估模型的准确度.结果表明：优化后的神经网络学习的I-V特性函数与TCAD仿真数据的均方误差损失为2.544×10-7，SPICE模型验证电路采样数据与TCAD仿真数据的最大相对误差为3.448%，平均相对误差为0.630%，构建SPICE模型用时约50 h，实现了高精度、高效率的器件SPICE模型构建，对新型APD的设计与应用具有重要指导意义.     

基于Elman组合预测模型的瓦斯涌出量预测

为提高矿井瓦斯涌出量的预测精度,基于Elman回归神经网络原理,以指数型线性回归、双曲线型线性回归及灰色预测三种方法得到的瓦斯涌出量预测值为样本数据,建立Elman组合预测模型,并利用MATLAB软件进行预测。结果表明,Elman组合预测结果的拟合曲线更接近实际情况。该模型有效提高了瓦期涌出量的预测精度,为煤矿安全生产提供了理论支持。     

利用改进初始化的残差-密集连接网络的光伏阵列故障诊断

针对在现实生活中光伏阵列大部分运行在正常的工作状态,缺少故障数据的问题,提出一种改进初始化的方法代替随机初始化来训练深度学习模型,以提高故障诊断模型的可靠性.同时,提出基于残差-密集连接网络的光伏故障诊断模型,并基于I-V曲线与最大功率点、温度、辐照度和填充因子作为输入特征.最后,通过多种光伏阵列故障数据检测所提出的方...     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

基于相空间重构及Elman网络的停车泊位数据预测

针对停车诱导系统（PGIS）中短时空余停车泊位时间序列数据预测问题，提出应用相空间重构与Elman神经网络相结合的方法来进行预测．首先分析了相空间重构的技术原理，在此基础上导出时间序列预测模型，并以Elman神经网络训练模拟该模型．介绍了相空间重构与Elman神经网络相结合的预测方法的具体实现过程与步骤，提出了短时空余停车泊位数据的预测效果评价指标．通过预测实例表明，该方法用于停车诱导系统中短时空余停车泊位数据的预测具有较好的预测准确性和有效性．     

基于Elman型神经网络的空调负荷预测模型

空调系统的负荷与诸多影响因素之间是一种多变量、强耦合、严重非线性的关系，且这种关系具有动态性，因而传统方法的预测精度不高，而动态回归神经网络能更生动、更直接地反映系统的动态特性。针对这个特点，建立了基于Elman型神经网络的空调负荷预测模型，并进行了实例预测。文中还比较了Elman网络和BP终结建模效果，仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点，说明Elman网络是一种新颖、可靠的负荷预测方法。     

基于小波Elman神经网络的活塞环渗氮硬化质量预测控制

针对活塞环渗氮硬化工序建模困难的情况,通过主成分分析法（PCA）提取氮化工序特征参数,降低了质量模型输入样本维数,建立了基于小波Elman神经网络的活塞环制造关键工序质量预测模型,实现了工序过程质量波动趋势的预测,为后续的工艺优化和质量改进奠定基础。结果表明,该方法可以有效地改进渗氮硬化工序的质量控制,质量预测模型对输出质量特征值的预测准确率达到89%,具有比标准Elman网络更好的预测精度和收敛速度.     

数据挖掘在安钢电极预测建模中的应用

从安钢电极控制的实际应用出发,应用数据挖掘技术建立了电极预测模型并应用于电极控制系统的参数整定.首先介绍了建立电极预测模型的数据挖掘过程;然后在数据挖掘算法中提出了一种新的变结构遗传Elman网络方法,该算法用改进的混合遗传算法对网络结构和权值及自反馈增益同步动态寻优.将基于BP算法的Elman网络和本文提出的变结构遗传Elman网络都应用于安钢交流电弧炉的电极预测模型中进行比较.通过基于安钢现场数据的计算机仿真实验表明:采用变结构遗传Elman网络的数据挖掘算法比BP算法具有更好的动态性能、更快的逼近速度和更高的精度.在此基础上,把建立的模型应用于安钢电极控制系统的参数整定,取得了良好的控制效果.     

量子粒子群优化神经网络集成股市预测模型研究

利用量子粒子群优化神经网络集成个体的网络结构和连接权值,对集成个体进行支持向量机回归集成,建立一个新的量子粒子群优化神经网络集成股市预测模型。新模型能有效提高神经网络集成系统的泛化能力,易操作,稳定性好,预测精度高,具有良好的应用前景。     

基于深度学习的页岩储层总有机碳含量预测方法

页岩储层总有机碳（Total Organic Carbon,TOC ）含量的地震预测普遍采用密度回归拟合法,仅考虑了单因素的线性关系,预测结果误差较大。针对常规方法的不足,提出基于深度学习的TOC含量预测方法。首先,从测井资料中优选出与TOC含量曲线相关度相对较高的多个弹性参数曲线作为样本集输入数据,TOC含量曲线作为样本集输出数据,构建针对TOC含量预测的深度前馈神经网络模型;然后,调试网络模型结构,并利用共轭梯度法进行网络参数寻优;最后,将叠前振幅随偏移距变化（Amplitude Versus Offset,AVO ）反演得到的弹性参数数据体输入到深度前馈神经网络模型,预测得到最终的TOC含量数据体。通过四川盆地页岩储层实际测井、地震资料的应用,对比了该方法相对于常规回归拟合法的优越性,验证了方法的实用性和可行性,为页岩储层TOC含量预测提供了新思路。