潮汐电站机组变速运行特性研究

针对潮汐电站水头变化频繁且变幅大、水轮机长时间偏离设计工况运行造成的机组运行效率和发电量低的问题,本文提出了一种变转速潮汐水轮发电机组,阐明了机组变速运行特性,分析了其效益。首先,基于水轮机模型综合特性曲线获得了其变速运行最优特性,在此基础上明确了机组在各水头和出力下最优转速的计算方法,为机组变速运行的控制提供了依据。其次,以江厦3号机组为例分析了机组变速运行的水轮机效率变化情况,机组正向运行效率最大提高23.39%,反向运行效率最大提高33.55%,说明变速运行可提高运行效率并改善运行工况。最后,比较了潮汐电站典型潮汐周期内机组变速运行发电量的变化情况,江厦电站3号机组发电量提高约3.65%,其中正向发电时长延长3 min,发电量提高0.97%,反向发电时长延长8 min,发电量提高10.40%,说明机组变速运行可延长发电时长、提高发电量。结果表明:机组变速运行是提高潮汐电站机组综合效益的有效途径。     

组合式神经网络企业产品销售量预测方法

采用回归分析法,去逼近预测模型中具有时间增长趋势的离散数据,用其逼近误差进行人工神经网络学习和训练,输出预测误差,然后对回归模型进行动态补偿,以实现对企业产品销售量进行组合预测。其预测结果比单一的回归分析法和线性规划法计算精度要高,表明组合式人工神经网络对预测企业产品销售量具有良好的适应性。     

基于深海锚系潜标的潮汐特征计算方法

针对深海潮汐特征难以获取的困难,基于深海锚系潜标压力传感器所测资料,利用线性近似的方法,建立了海面水位变化计算模型,并对该模型进行计算误差分析,提供了模型计算精度判别方法。基于该模型,利用南海中部海区深海锚系实测压力资料获取了锚系点的海面水位数据,并采用T-TIDE潮汐调和分析函数处理水位数据,获取了该海区的潮汐调和常数,对该海区的潮汐特征进行了验证与分析。所得潮汐类型为不规则日潮,主要(半)日分潮K1、O1、M2的振幅和迟角,均与前人利用卫星高度计资料和数值模拟分析结果基本一致。     

人工神经网络在潮汐预测中应用研究

海洋环境中,精确预测潮汐是关系到建筑物和人类活动的重要工作.利用人工神经网络进行单测站潮位和多测站对应潮位预测,并结合潮汐现象的特点,提出了在预测之前有针对性的数据处理分析方法--周期分析概念,并将其应用到实际的潮位预测当中,实例证明这种方法可以解决潮位预测中存在的时滞问题,提高了预测的精度.同时根据不同测站潮汐数据之间的相关性,以及潮汐数据规律性较强这一特点,进行了不同潮位测站之间的对应潮位预测,取得了很好的结果.     

空中交通流量预测的人工神经网络和回归组合方法

为了寻找合适的空中交通流量预测方法,在综合回归预测方法和人工神经网络预测方法优点的基础上,提出采用组合预测方法的思想,并基于多元线性回归模型确定组合方法的权重系数。以北京管制区大王庄导航台流量预测为实例,分析结果表明:组合预测方法对实际流量有好的拟合度,能提高人工神经网络的泛化能力,并减小预测的误差,即总体上不仅优于传统的回归预测方法,也优于单独的人工神经网络预测方法。组合方法为空中交通流量的预测提供了一种可靠而有效的新途径。     

天津港平均海平面变化研究

调和常数是潮汐的一个重要特征参量,在计算平均海平面的时候可以用来消除潮汐的影响。本文通过对天津港潮汐数据进行调和分析,计算调和参数并进行比较,计算一年期和长期平均海平面,并统计其变化趋势。     

一种基于改进DBSCAN算法的光伏故障检测方法

工程中常常通过与邻近电站的单位发电量比较发现故障电站,电站的单位发电量主要与电站地理位置、光伏器件型号及特性等诸多要素有关,选择哪些电站进行比较以及比较的策略是一个需要深入探讨的问题。本文提出了一种改进的A-DBSCAN聚类算法的光伏发电站故障检测方法。通过对影响发电站单位发电量因素的分析,确定了该故障检测模型的输入变量。该方法不需其他外接设备的支持,同时还可以实现在线检测分析。通过比较相同发电环境中的发电系统的单位发电量来对故障检测,初步实验结果反映该方法的正确率为95. 45%,召回率为91. 3%。     

基于神经网络的建筑工程造价预测研究

采用误差反向传播人工神经网络模型（BP网络模型），以建筑特征参数为输入变量，通过实际资料对网络进行训练和模拟，并用贡献分析法筛选输入变量，对网络结构进行优化，结果显示了该模型在建筑工程造价预测中的有效性     

近红外光谱分析中人工神经网络法的应用

设计了实用的人工神经网络模型进行定标并预测. 用误差反向传播算法, 构造了三层的神经网络结构, 用于解决光谱分析中谱峰重叠严重、 噪声较大等问题. 在定标样本数量较大的情况下, 应用人工神经网络方法对玉米的蛋白质含量和近红外吸收光谱进行了分析和讨论. 实验结果表明, 人工神经网络方法优于线形回归法和偏最小二乘方法.     

基于辐照量的光伏电站系统效率非稳态计算方法

基于实测数据,系统分析了日辐照量对光伏阵列转换效率、逆变器效率、光伏电站系统效率的影响,结合光伏电站结构分析了影响光伏电站系统效率的因素,建立了光伏阵列转换效率、逆变器效率与日辐照量之间的非线性模型,提出了一种基于辐照量的光伏电站系统效率的非稳态估算方法。结果表明：光伏阵列转换效率、逆变器效率随日辐照量的波动导致了光伏电站系统效率随日辐照量变化。该方法可用于计算电站的月或年总发电量,能够更加准确地计算出目标电站的系统效率并预测电站发电量,在光伏电站的效率分析、运营评估等工程方面有着良好的应用前景。     

发电机神经网络模型用于电力系统暂态稳定计算

用递归神经网络建立发电机模型,多层输出反馈网络建立励磁系统和调速系统模型,并将此三部分集结构成为一个发电机组的详细模型。将此详细模型写入电力系统的网络方程,联立求解电力系统暂态稳定过程。详细模型写入暂态稳定程序中６机２２节点网络。暂态过程计算结果表明,由人工神经网络模型仿真计算与机理模型常规稳定计算比较,使用人工神经网络模型和机理模型的计算结果非常接近,说明人工神经网络模型可以用于电力系统暂态稳态计算,为今后人工神经网络并行、快速、在线处理电力系统实时计算提供应用途径。     

基于人工鱼群算法优化神经网络的WSN数据融合

无线传感网(wireless sensor network, WSN)通常节点众多、数据冗余度高,传统的基于随机权值和阈值的前馈反向传播神经网络(back propagation neural network, BPNN)数据融合方法易陷入局部极值,导致融合结果准确性差。提出一种优化神经网络的权值和阈值进而改善WSN数据融合质量的方法-人工鱼群算法前馈反向传播(artificial fish swarm algorithm back propagation, AFSABP)神经网络数据融合。仿真和对比实验结果表明,改进的鱼群算法在收敛速度和寻优精度上都有明显提升,改进后的人工鱼群BP算法数据融合方法相较于传统BP数据融合方法,可减少3.06%的相对误差和3.74%的均方根误差。     

含分布电源配电网多时段线性化二阶锥松弛算法研究

针对分布式电源接入配电网影响系统电压分布和潮流分析、造成系统电能质量下降的问题,建立系统优化模型,对系统电压、潮流进行分析与优化,提出含分布式电源的配电网多时段线性化二阶锥松弛优化算法。对分布式电源接入的配电网进行潮流分析,建立分布式配电网最优潮流优化模型;对分布式配电网潮流优化模型进行简化处理,针对潮流分析中非凸非线性,提出多时段二阶锥松弛优化算法;针对电容器组、有载调压变压器的非凸非线性问题,进行分段线性化处理。仿真结果表明,提出的算法能合理调度有载调压变压器、电容器组和分布电源的出力,有效降低网损,减小电网电压偏差。     

用人工神经网络方法评估桥梁缺损状况

针对现有桥梁评估方法存在的不足,介绍了一种应用神经网络进行桥梁缺损状况评估的方法,并对几种常见的人工神经网络模型的评估效果进行了比较．利用广东省内1018座桥梁的养护数据,对神经网络进行训练和测试,发现使用神经网络对桥梁进行评估,能够取得比较好的评估效果．使用神经网络方法对桥梁“等级”进行评估,其;位确率超过60％．平均每座桥的评估误差为0．25个等级。     

小波神经网络在电力谐波检测中的应用

电网谐波检测技术是影响有源电力滤波(APF)发展的关键技术之一。由于电网谐波具有固有的非线性、随机性、分布性、非平稳性和影响因素的复杂性等特征,对谐波进行实时准确检测较难,因此研究对电力系统中的谐波进行检测的方法非常重要。提出将小波和神经网络结合构成小波神经网络的谐波检测法,对小波神经网络进行了设计,仿真结果表明该方法能实时、精确地对电网谐波进行检测。     

一种基于神经网络的谐波电流抑制方法

在传统谐波注入法基础上提出一种神经网络自适应谐波电流抑制方法，根据自适应噪声抵消技术运用人工神经网络的自适应和自学习特性检测出谐波电流并注入电力系统，达到抑制谐波的目的。通过对一典型正弦电流的仿真研究结果表明，该方法是可行和有效的，它不但有较高的精测精度，而且能跟踪检测，根据环境的变化能自适应地调整神经网络的权值，以便正确地检测出线路的谐波电流。     

BP人工神经网络法研究PBDE_S类化合物的RRT

运用BP人工神经网络方法对PBDEs的相对保留时间(RRT)进行了QSPR研究.所建的BP人工神经网对PBDEs的RRT预测准确度非常高,网络训练误差几乎为0,网络回判MSE误差为0.003 9,明显低于逐步回归分析结果,独立检测集MSE误差为0.000 4,也很低,说明BP人工神经网具有较好的泛化能力.此方法得到的模型预测能力要优于逐步回归模型.     

基于灰色神经网络的机床热误差建模

结合灰色模型和神经网络对数据处理的优点,提出了并联和嵌入型2种结构的灰色神经网络机床热误差预测模型。前者是在灰色模型和神经网络分别对机床热误差进行预测的基础上,采用线性组合方式,按照目标预测精度调整模型的加权系数,从而得到最终组合预测结果;后者是在神经网络输入层前增加灰化层,在输出层后增加白化层,通过对神经网络拓扑结构的改进,达到弱化原始数据随机性、提高预测模型鲁棒性和容错能力的目标。通过与传统灰色模型和神经网络进行试验结果对比表明：上述2种结构的灰色神经网络模型均提高了预测精度,且具有对原始数据要求低、计算简便、鲁棒性强等优点,可用于复杂实际加工场合中的数控机床热误差实时补偿。     

基于改进BP算法的电力系统谐波分析

在选取BP神经网络对谐波进行分析时,考虑到BP网络存在的缺点和不足,对BP网络进行改进。通过把FFT和改进的BP网络结合起来,实现对谐波的实时分析。该方法先对采样信号进行FFT运算实现预处理,得到谐波个数和谐波次数;然后根据谐波的个数来确定神经元的个数,通过谐波次数设定神经网络参数迭代的初始值;最后对改进的神经网络进行训练,可以实现谐波的精确分析。所提出的BP改进算法有效地提高了谐波分析的精度,实时性也得到了改善。     

人工神经网络在软件预估分析中的应用

将人工神经网络理论应用于软件预估分析领域，通过BP神经网络和功能点估算模型的介绍与结合，提供了一种估算软件工作量的方法．使用智能神经网络可分析软件开发这一十分复杂的过程。