一、改进的模糊神经网络BP算法应用研究（论文文献综述）
胡磊[1]（2021）在《基于深度学习的超临界机组给水流量预测及控制优化》文中研究表明超临界火电机组在能源利用、发电效率、环境污染和电网负荷调节等方面具备显着优势,因而已成为各个工业大国的关注热点和研究方向。超临界火电机组不同于亚临界机组利用汽包来完成汽水分离,因内部采用直流锅炉,给水控制相对比较复杂,所以对锅炉给水流量进行预测具有重要意义,可以为给水的预判和实时调整提供决策依据。本文首先从宏观角度对超临界机组直流锅炉的工作原理和结构特点进行了介绍,并以山西某电厂350MW超临界CFB机组的给水控制系统为研究对象,对其工艺流程和控制逻辑进行了详细的分析,分析出给水流量数据与主蒸汽流量、中间点焓值和机组运行负荷等运行参数存在强耦合关系,并对预测建模相关理论进行概述,为给水流量的预测建模提供了理论依据与准备。然后,将采集到的该电厂从2020年8月1日到8日的机组运行历史数据划分为训练集和测试集。将原始数据进行数据预处理后,进行特征选取作为预测模型的输入对锅炉给水流量进行短期预测和中长期预测,并利用测试集来检验模型训练效果。短期预测采用的是BP神经网络、PSO-BP神经网络和GA-BP神经网络这三种神经网络算法,中长期预测采用的是RNN算法、LSTM算法、GRU算法、Bi-LSTM算法以及EMD-LSTM算法这五种深度学习算法。对比测试集的MAE、RMSE和MAPE这三项预测性能指标后发现,EMD-LSTM算法的综合预测性能最好。最后,在对给水系统控制逻辑分析的基础上简化了给水系统控制模型,引入收缩因子对粒子群算法进行改进后,对给水系统控制模型的传递函数进行了辨识,并以EMD-LSTM算法输出的锅炉给水流量预测值为指导,作为控制模型的设定值输入,设计了基于模糊PID控制的给水系统控制方案。仿真结果表明,模糊PID控制系统相比常规PID控制具有更好的稳定性、动态响应性能和抗扰动性能,能够提高给水控制的品质。
丁雪红[2]（2021）在《基于FASSA-BP算法的智能制造能力成熟度评价研究》文中研究指明随着新一代信息通信技术与先进制造技术的深度融合,智能制造已成为世界范围内制造业智能化转型升级的新路径。当前智能制造发展仍处于探索阶段,不同企业对智能制造的理解缺乏统一、对自身智能制造的定位和发展认知模糊,亟需有效方法指导其分布实施、系统推进智能制造建设,其中,寻找科学的智能制造能力评价方法成为一个关键问题。本文基于成熟度理论,在归纳总结智能制造能力成熟度影响因素的基础上,利用神经网络等智能算法,开展智能制造能力成熟度评价研究,以帮助制造企业识别差距,确定智能制造发展目标。主要研究工作如下:（1）构建智能制造能力成熟度评价指标体系。针对智能制造能力成熟度评价问题,确定评价指标,为评价模型奠定基础。围绕初步设计的评价指标,利用Delphi法和相关性分析筛选指标,确立评价指标体系,并基于评价指标设计问卷调查,以收集评价样本数据。（2）改进麻雀搜索算法。针对麻雀搜索算法易陷入局部最优的缺点,引入萤火虫算法中扰动策略对其进行改进,提出改进的麻雀搜索算法（FASSA）。选取低维、高维多峰等函数测试算法性能,结果表明,FASSA算法收敛精度和速度更高,全局搜索能力更好。（3）提出基于FASSA-BP算法的评价模型。BP神经网络是评价问题常采用的方法。针对BP神经网络对初始权、阈值敏感的问题,利用FASSA算法优化BP神经网络初始的权值和阈值,提出FASSA-BP算法,并构建评价模型。最后,选取样本数据进行模型训练和测试,将FASSA-BP模型与SSA-BP模型、PSO-BP模型以及传统BP模型进行实验对比,结果表明,本文提出的FASSA-BP评价模型具有更高的精确度和稳定性。（4）应用FASSA-BP评价模型。针对国内L电池企业智能制造能力成熟度的评价需求,通过企业调研和发放问卷等途径获取数据,采用所提FASSA-BP模型对L企业智能制造能力成熟度进行评价,根据评价结果判定等级,帮其识别差距,并给出改进建议。
谢良才[3]（2021）在《基于BP神经网络的数据挖掘技术探究及其在煤热转化数据规律分析中的应用》文中进行了进一步梳理近十几年来,随着人们利用信息技术采集和分析数据能力的大幅提升以及人工智能技术的快速发展,极大的推动了数据挖掘技术在各类基础科学研究中的快速兴起,尤其是以人工神经网络智能算法为基础的数据挖掘技术应用更为广泛。鉴于此,本文以非线性映射能力、并行处理能力以及容错性能优异且广泛使用的BP神经网络数据挖掘技术为基础,将数据挖掘的方法和思想引入到煤热转化领域的数据规律挖掘之中,以期在煤质基础数据与其热转化特性之间探寻出有价值的内在规律或关系。本文的研究内容主要包括高性能数据挖掘技术的设计和在煤热转化领域实际应用两个方面的研究工作。首先,本文全面阐述了数据挖掘的基本理论与方法。在了解并分析了多种数据挖掘技术的基础上,重点对基于BP神经网络的数据挖掘技术进行了深入的分析与阐述。进一步的,本文针对BP神经网络算法中存在的收敛速度慢、网络初值随机性、易陷入局部极小等不足,提出了一种多算法优势集成、联合优化的改进型算法（HA-BP）,并在非线性函数仿真中得到了充分论证。此外,本文基于HA-BP算法分别设计了HA-BP-3δ异常数据检测模型、HA-BP-MIV变量因素分析模型,它们的可靠性与实用性同样在非线性函数仿真中得到了充分论证。而后,本文将该数据挖掘技术应用于煤质基础数据（工业分析、元素分析、灰成分分析）对煤燃烧发热量、煤热解特性、煤气化灰流动温度的数据规律挖掘（预测目标）研究中。（1）煤工业分析、元素分析与燃烧发热量之间的数据规律挖掘本节以104组我国不同地域（涵盖了华东、华中、华北、华南以及西北地区）的煤质基础分析数据（工业分析、元素分析）以及发热量（Qnet,ad）数据样本为研究基础。首先,采用HA-BP-3δ模型剔除了6组原始训练数据样本。清洗后的样本（原始数据使用率达到93%）,经HA-BP计算的总数据集的平均绝对误差为0.22 MJ/Kg。在此基础上,提取出挖掘到的内在关系,使用HA-BP-MIV对变量因素进行了分析,分析结果显示,FCad、Cad、Had、Nad以及Sad与煤的发热量呈正相关性,Mad、Aad与煤的发热量呈负相关性。此外,7个因素对煤发热量的影响大小为:Cad>Aad>FCad>Mad>Nad>Sad>Had;其中,Aad、Cad、FCad对煤发热量的累计影响值达到了总贡献率的90.31%。进一步的,基于三个主要因素计算的平均绝对误差为0.47 MJ/Kg。此外,鉴于部分企业缺乏煤质元素分析的数据,进而难以使用该算法挖掘到的内在关系,为此,本文进一步的使用煤质工业分析的Mad、Aad、FCad作为输入变量,借助HA-BP模型对发热量进行了研究。计算结果发现,仅通过工业分析数据计算的发热量总样本集的平均绝对误差为0.36MJ/Kg。（2）煤热解失重特性与工业分析、元素分析数据之间的数据规律挖掘本节以10组不同产地的煤为研究样本,借助HA-BP模型考察了煤（加氢）热解失重特性曲线与其工业分析、元素分析之间的内在关联。为了实现对煤热解失重特性曲线“线”预测的目标,本文首先基于煤热解失重的典型特征,有针对性的提取了部分数据点。经HA-BP计算后,发现训练样本、检验样本的计算值与实验值数据点的相关性R2分别为0.9966、0.9943。在此基础上,提取出挖掘到的内在关系,使用HA-BP-MIV对变量因素进行了分析,分析结果显示,T、Ad、Vd、Hd、Sd对煤热解失重呈现正相关性;Cd、Nd对煤热解失重呈现负相关性。此外,7个因素对煤热解失重结果的影响大小为T>Vd>Cd>Hd>Nd>Sd>Ad;其中,T、Vd、Cd、Hd这4个因素对煤热解失重的累计影响达到了总贡献率的98.26%。进一步的,我们发现基于4个主要因素预测的精度与7因素下的预测精度几乎相当。最后,基于简化后的4个主要因素成功的预测出了未知煤样的热解失重特性曲线（精度为每隔1 ℃）,且整条失重曲线（200～1100 ℃）的绝对误差不超过2.25%。同样的方式,基于4个主要因素也成功的预测出了未知煤样的加氢热解失重特性曲线。（3）气化环境下的煤灰流动温度（FT）与其灰成分之间的数据规律挖掘本节以321组不同类型的煤灰组成以及FT数据样本作为研究基础。首先,采用HA-BP-3δ模型剔除了27组原始训练数据样本。清洗后的样本（原始数据使用率达到92%）,经HA-BP计算的总数据集的平均绝对误差为25 ℃。在此基础上,借助HA-BP-MIV算法分析了各个化学组成对FT的影响。分析结果显示,SiO2、Al2O3、TiO2与FT之间表现出正相关性;CaO、Fe2O3、MgO、K2O+Na2O与FT之间表现出负相关性。此外,7个因素对FT的影响大小为:Al2O3>SiO2>CaO>Fe2O3>K2O+Na2O>TiO2>MgO,进一步的,基于变量因素的分析结果选取了3类典型的煤灰样本,在模拟高温、气化的环境下进行了结渣机理分析,并总结了不同煤灰的结晶特征。基于此,本文将煤灰分为酸性灰、中性灰、碱性灰三个类型,其中酸性灰的FT绝大多数都高于1400 ℃。而后,借助HA-BP-MIV分别对中性灰、碱性灰进行了关键特征参量的分析,并发现探寻到的关键特征参量与FT之间存在着显着的线性相关性。最后,通过实际测试值对基于关键特征参量提出的关系式进行了验证,并取得了良好的效果。这为调控FT助剂类型的选择、添加量的确定以及不同煤种的配煤和配煤比例提供了更为直接、有效的指导。本节提出的单因素、易调控的FT计算模型如下:1:酸性灰,A/B≧6.72,FT>1400℃;2:中性灰,0.96≦A/B<6.72,FT=136x1+1143.9;3:碱性灰,A/B<0.96,FT=116.81x2+1122.3.经本文的研究发现,煤质基础数据与其发热量、热解特性、FT之间确实存在着紧密的内在联系,通过数据挖掘的思想和方法,不仅实现了对煤热转化数据的异常数据诊断以及高效预测,而且实现了基础数据样本的有效增值,更为煤热转化过程中的数理分析、影响因素分析甚至后续的研究主攻方向等提供了新的研究方法和思路。
王晓明[4]（2021）在《数据驱动成品汽油调和配方优化及其智能系统开发》文中认为成品汽油调和作为各种汽油产品不可或缺的生产过程,在石油炼化生产中起着举足轻重的作用,而油品质量则对企业的经济效益具有重要影响。在成品汽油的生产过程中,建立行之有效的配方模型,以严格控制组分油的添加,是确保成品油质量和企业效益提升的基础。因此,本文受成品汽油调和过程中提升一次调和成功率和卡边生产需求的驱动,围绕调和配方的建模问题开展了较为系统的研究,主要工作如下:1)为解决油品生产中质量过剩和一次调和成功率欠高的问题,通过对工艺机理和生产数据的深入分析,提出了保守与卡边优化混合的建模方案。该方案分别利用历史生产过程数据建立卡边和保守配方模型,再根据加权融合策略建立混合配方模型。保守配方模型的建立旨在确保油品的正常生产,而卡边配方模型的建立旨在趋使油品的卡边生产,鉴于模型可能因生产过程的不确定性致使质量不达标,对二者进行优化融合,以期在提高一次调和成功率的同时,尽可能逼近油品的卡边生产。2)为解决配方建模中数据的完备性问题,首先针对BP算法在辛烷值和抗爆值预测过程中存在的精度低、易陷入局部最小值问题,结合PSO和GA的优点,提出了一种串行混合粒子群遗传算法,并用于BP神经网络权值和阈值的优化,提高了辛烷值和抗爆值预测模型的精度。其次,为了对缺失配方数据进行填充,提出了基于集成决策树的配方数据填充方法,先将原始数据集划分为多个样本集,再利用决策树算法建立多个子模型,最后基于bagging策略对多个子模型进行集成,提升了模型精度。3)为提高保守配方模型精度,考虑深度置信网络（DBN）在特征提取和非线性处理方面的优势,首先提出了一种基于PSO-DBN的保守配方建模方法,将其应用于成品汽油调和配方的预测建模,并针对深度网络训练过程中存在的参数选取困难问题,利用粒子群算法（PSO）对相关参数进行优选。其次,考虑到极限学习机良好的拟合能力以及快速性,在上述模型基础上,将其对DBN网络进行改进,构建了DBN-ELM预测模型,实现了对成品汽油调和保守配方的预测建模,仿真结果表明,算法在训练时间以及精度上都有较大提升。4)针对卡边数据的小样本特性,利用LSSVM进行卡边配方的建立,并针对RBF核函数的?和?选取问题,采用PSO算法对其进行参数优选,使模型性能有了较大提升。在此基础上,采用加权融合策略对卡边和保守配方模型的结果进行集成与在线优化,结果表明,混合配方模型对于高效能生产具有更优的性能。5)为使配方模型应用于工程,结合实际工程需求,依据前述混合建模方案,借助于My SQL、Matlab及Labview等技术及软件平台,进行了系统数据库的设计,基于matlab实现了各建模方法,并最终开发了具有系统登陆、辛烷值、抗爆指数预测、保守配方预测、卡边配方预测、混合配方模型、在线优化、数据查看、数据录入以及报警与事件记录等功能模块的配方智能管理系统。
何文雯[5]（2021）在《基于模糊神经网络的网络运行态势感知研究》文中进行了进一步梳理随着网络通信技术的不断发展,网络给人们的生活带来了极大的便利。在为人们带来便利的同时,网络的运行质量也影响着我们生活的方方面面。保证网络的运行质量,对当前的网络态势给出合理的判断,同时对未来时刻的网络态势给出合理的预测,是当前网络管理中研究的重点。基于网络运行数据的网络运行态势感知技术则是解决这一问题的关键。而网络运行数据具有多源、海量、复杂、不确定性和模糊性的特点,因此网络运行态势感知实质上是分析复杂数据的过程。将模糊理论和神经网络技术相结合,可以使模糊逻辑推理系统借助神经网络强大的并行计算能力大大地提高其模糊推理能力。同时在神经网络上引入了模糊理论后,可以使神经网络自适应地处理模糊信息。因此本文基于模糊神经网络进行网络运行态势感知,其主要研究内容有如下几个方面:1、确定了网络运行质量指标评价体系。本文依据指标评定的全面性、可测性、独立性和真实性原则,综合网络性能和网络流量两个方面的指标,并分别选取网络层和应用层的协议流量指标,从网络性能和业务质量两个方面反映网络的运行质量。此外,本文在确定指标的过程中,充分考虑了指标的可测性。2、提出了CSA-模糊神经网络。结合网络运行态势感知的目标和需求,同时考虑到网络运行数据大都具有模糊性,本文将模糊逻辑推理系统和神经网络相结合,提出基于CSA-模糊神经网络结构的网络运行态势感知模型。将CSA-模糊神经网络和传统的模糊神经网络进行对比,实验证明,本文提出的模糊神经网络模型具有更快的训练速度。3、改进了模糊神经网络学习算法。遗传算法容易受交叉概率和变异概率的影响导致局部搜索能力太差,模拟退火算法能够控制合适的降温速率来保证局部搜索能力。本文对两种算法分别进行改进,并将改进后的算法结合,提出AUGAMTSA混合算法。算法的改进有三个方面:第一,采用混合温度下降函数,使算法在搜索初期有较快的收敛速率,在搜索后期温度下降慢,算法拥有好的局部搜索能力。第二,在生成初始种群的过程中加入距离D作为约束条件,产生在解空间均匀分布的初始个体,有利于算法的全局搜索。第三,采用两种编码方式,使算法能够自适应地调节网络结构。并在适应度函数中引入节点个数,个体适应度的大小由误差损失和节点个数共同作用。并对改进算法的收敛效率进行仿真验证,结果表明,该算法的收敛速率和收敛效果表现更优。4、收集真实的网络运行数据,对数据进行预处理和模糊处理。采用提出的CSA-模糊神经网络和改进的AUGA-MTSA训练算法进行训练,找到最优的参数,最终确定网络运行态势感知模型。并对该模型的态势预测准确率进行比较验证,实验证明,本模型在训练过程中收敛效果更好,在测试过程中的态势预测准确率更高。最后搭建网络态势感知系统,采用确定的态势感知模型完成网络运行态势的实时评估,通过可视化的评估结果能够对系统中业务应用模块进行指导。
王懿[6]（2021）在《基于改进BP神经网络的水轮机控制算法研究》文中认为水电是一种重要的清洁能源,在历经几十年的发展后中国水电总装机量已经跃居世界前列。水轮机调速器是水轮机调节系统中的重要组成部分,承担着调整机组负荷增减、启停机等任务。目前水轮机调速器大多采用微机调速器,其控制策略也通常为传统PID控制。传统PID控制算法具有结构简单,鲁棒性强等优点,但其往往也存在参数整定不良,性能欠佳,对运行工况适应性差等问题。鉴于此,作者基于改进BP神经网络算法开展研究,并将其用于水轮机调节系统的仿真控制。首先,在BFGS-BP神经网络算法基础上,对其所涉及的近似Hessian阵迭代过程中引入岭回归进行优化,得到一种基于改进BP神经网络算法的岭回归拟牛顿BP（TR-BFGS-BP）神经网络算法。经编程验证,优化后算法的数值稳定性与收敛精度得到显着提升。其次,使用固定初始权值训练法与小批量优化训练法对TR-BFGS-BP神经网络算法进行优化,结果表明,这两种优化训练法能有效提升算法收敛速度,降低算法陷入局部最小的风险。最后,为验证TR-BFGS-BP控制算法在水轮机调节系统的性能,利用Matlab/Simulink中的S函数将其嵌入到水轮机调节系统中进行仿真。结果表明,TR-BFGS-BP控算法能够自适应被控对象,较传统PID控制算法的超调量、调节时间大幅减小。
谢鹏[7]（2020）在《基于数据和模型的油浸式电力变压器健康管理系统研究》文中研究指明油浸式电力变压器在电网中的广泛使用,使其安全可靠性成为影响电网供电可靠性和供电质量的关键性因素之一,长期以来,油浸式电力变压器的健康管理一直倍受关注。由于变压器生产厂家、工艺、电压等级、容量等的多样化,以及运行环境的复杂化,变压器健康管理一直占据电网企业大量的资源。在智能电网背景下,新一代信息技术的飞速发展促进了智慧变电站的建设,使变压器运行状态的实时在线监测成为了可能,从而为变压器健康管理奠定了物理基础。本文立足于油浸式电力变压器预测性管理（prognostics and health management,PHM）的应用场景,开展变压器健康管理系统关键理论技术研究,在此基础上,充分利用先进的计算机、通信等信息技术,开发变压器PHM平台,以有效提高电网企业对变压器资产的管理水平和效率。本文的主要研究内容包括以下几个方面:（1）针对单一变压器属性难以有效、准确地实现变压器状态评估的问题,对变压器的多属性特性进行了分析,并给各属性分配适当的权重。在此基础上,提出了基于模糊逻辑的变压器多属性状态评估模型。该模型具有输入参数个数较少、模糊规则简单、评估结果准确可靠的优点。本文提出的方法克服了以往模糊逻辑模型和传统变压器健康评估方法的不足。变压器现场数据的检测结果检验了所提模型的正确性和可行性。（2）针对计算变压器热点温度的经验公式中对散热电阻的分析和取值较为简单,不能充分反映负载、环境等因素对温度的影响,致使计算结果误差相对较大的问题,研究不同负载电流下、不同冷却方式、不同内部温度下变压器内部传热方式与机理,提出考虑多因素条件下散热电阻的计算方法,进而构建综合考虑不同运行工况下变压器的改进热路模型,给出了基于改进模型的顶油和热点温度求解方法,并对计算结果进行准确性评估。结果表明,采用提出的改进模型计算得到的变压器顶油和热点温度与其实际值之差不超过2.2K,也即提出的散热电阻计算方法能有效提高热路模型的精确度。（3）分析了三种常见的基于油中溶解气体的变压器故障诊断方法;研究了遗传算法基本原理及其易陷于局部最优解的不足,提出一种交叉和变异概率、个体繁殖数量能够依适度值自适应调整的改进方法,仿真结果表明,改进方法显着提高了算法的全局搜索能力;利用提出的改进遗传算法优化BP神经网络的初始权值和阈值,建立基于改进遗传算法优化BP网络的变压器故障诊断模型,有效解决了BP神经网络收敛速度缓慢且精确度较差的问题,通过与已有的三种典型的故障诊断方法进行对比分析,结果表明提出的诊断模型具有更高的诊断速度和准确度。（4）利用提出的考虑不同工况下的变压器热路模型,建立了基于热点温度分析的变压器绝缘寿命评估模型;设计了一种热因素条件下油纸绝缘老化试验,提取基于脉冲相位分布模式的四个统计图谱共27个特征量,并通过因子分析法获取10个主成分因子,从而建立基于改进遗传算法优化BP神经网络的油浸式电力变压器油纸寿命评估方法,试验结果表明提出的方法诊断效果较好;分析了Weibull分布与电气设备寿命统计学规律的相关性,建立了基于Weibull分布的电力变压器寿命预测模型,利用收集的某电网电力变压器故障数据,检验了利用Weibull分布进行变压器寿命评估的有效性。（5）基于变压器PHM管理在线、实时化的需要,利用先进的信息网络技术,开发了变压器PHM管理系统。阐述了PHM管理平台开发所涉及关键技术理论和设计原则,基于PHM功能需求和技术资源现状,规划了平台总体架构和功能模块。通过将开发的PHM云平台对某变电站变压器联网试运行,运行结果表明,开发的平台有效提高了变压器运行状态监控水平,提升了变压器的管理效率。
井花蓓[8]（2021）在《某热电厂供热系统电极蒸汽锅炉运行方式研究》文中指出为了解决热电厂冬季调峰时供热和发电相矛盾的问题,热电厂常常选择增设电极锅炉来解决。本文以辽宁省抚顺某热电厂为研究对象,通过对供热负荷的准确预测得出热用户对热量的需求,在此基础上得知热电厂可接受调峰的最大值,以此来确定电极蒸汽锅炉的运行方式,在满足调峰要求的同时满足供暖需求,但由于电极蒸汽锅炉在实际运行过程中受振幅波动的影响,导致功率波动在补偿范围之外,因此设置一定的控制系统准确的控制电极蒸汽锅炉的运行,降低供热系统能耗以及减少不必要的支出。供热负荷预测是调峰时刻电极蒸汽锅炉运行的前提和依据,其主要是通过分析影响热负荷变化的因素,并利用历史数据预测将来一天的供热负荷。本文采用模糊神经网络算法,以日期类型、室外平均温度、天气情况、回水平均温度和供水平均流量为网络输入量,以平均供热负荷为网络输出量,利用辽宁抚顺某热电厂提供的部分历史数据为学习样本进行学习训练,并通过Matlab进行仿真分析。仿真结果显示相对误差值处于±2.5MW范围内,可以较准确的对热负荷进行预测,验证了供热系统运用模糊神经网络算法的可行性。提前对供热系统的热负荷进行有效预测,在冬季调峰时,可以利用预测的供热负荷值确定热电厂可接受的调峰值,进而确定电极蒸汽锅炉的运行功率以及启动合适的台数,在满足调峰要求的同时满足供暖需求,并获得一定的经济补偿。在热电厂中增设电极蒸汽锅炉的主要目的是完成调峰任务和供暖需求,为了实现这一目的,常常采取自动控制作为一种实现方法。本文以热负荷的预测值为基础,指导电极蒸汽锅炉的运行方案,从而确定电极蒸汽锅炉功率的稳定值。系统是利用常规PID控制算法进行功率控制,但由于常规PID控制算法具有超调量较大、启动时间较长、调节时间较长等缺点,因此本文提出运用模糊PID控制的先进算法对功率进行控制,通过对PID参数进行不断地在线调整,利用Matlab中的Simulink工具箱建立系统模型并进行仿真分析,仿真结果表明常规PID控制大约需要260s后趋于稳定,且超调量为10%,上升时间为80s,而模糊PID控制大约需要80s后就能趋于稳定,且超调量为0,上升时间为80s,可以实现供热系统电极蒸汽锅炉功率的精确调节,从而达到调峰要求的同时实现按需求供热的目的。
宋悦阳[9]（2020）在《基于改进遗传模拟退火优化BP算法的接地故障选线方法》文中研究指明在我国所使用的中低压配电网中,单相接地故障最为常见。虽然发生接地故障后短时间内,配电网仍能够保持正常运行,但长时间运行会导致多相短路等严重问题,需要尽快排查故障线路并及时维修。因此接地故障检测对配电网安全运转具有重要的意义和研究价值。由于配电网电路复杂结构,导致故障信号特征不明显,且容易受到接地电阻、接地相位和接地方式等众多因素的影响。传统故障选线方式中,使用故障特征单一判据的方法准确度不高,极易受到不同因素的影响产生误判;而使用常规数学公式,来对多个判据进行拟合判定的方法十分复杂,对不同结构和条件的故障缺乏泛用性。随着人工神经网络的发展,可以使用人工智能进行多判据融合来进行接地故障选线。其中BP神经网络能够有效进行数据训练与判别,但其本身训练效率较低,且极易受到神经网络的初始权值和阈值影响等。针对BP神经网络的缺陷,使用遗传模拟退火算法对其进行数据优化,提高收敛效率,增强全局搜索能力,消除初始权值阈值过高的影响等。并针对遗传算法易陷入局部最小值和模拟退火算法收敛速度较慢的问题,采用改进遗传模拟退火算法优化BP神经网络（IGSAA-BP）的选线方法。该算法不但减小了传统BP神经网络对初始权值、阈值对算法影响较大的问题,还通过改进遗传算法的交叉、变异概率公式和改进Metropolis准则,以提高种群多样性,避免陷入局部最优。搭建配电网小电流接地系统仿真模型,获取系统各个线路的稳态特征、5次谐波特征和暂态特征,输入IGSAA算法获得BP神经网络初始值,使用优化后的神经网络模型训练计算后获得选线结果。与其他BP神经网络算法对比表明,该方法在训练中收敛速度和复杂适应性较高、判断精度更好。
赵晨蕾[10]（2020）在《基于云模型的模糊神经网络算法研究》文中研究说明模糊神经网络能够有效地处理非线性、模糊性等问题,在智能信息处理方面发挥着巨大的作用,传统的模糊神经网络算法具有传统神经网络的学习能力,并在数据挖掘中可兼顾数据的模糊性,但存在着隶属函数需根据专家经验人为确定、无法处理数据的随机性等问题,并且无法实现定量数据与定性概念的双向转换,在数据处理和算法运行过程中容易造成数据不确定性的丢失。云理论在处理不确定性方面具有极大的优势,通过三个数字特征、确定度及不确定性云发生器实现对数据随机性和模糊性的统一处理,并保证不确定性的传递,更加适合对不确定概念的表达。现有的云神经网络模型在处理大数据集时容易发生“规则灾难”。因此,在模糊神经网络中引入云模型,通过云模型对不确定性的处理能力,在兼顾数据的模糊性和随机性的同时,保证算法的时效性和准确率。为了解决隶属函数确定过程中需要经验和人为因素影响较大的问题,本文将云模型的确定度引入模糊神经网络,代替隶属度,通过每次随机取值,避免了人为确定和专家经验的影响。针对不同类型的数据集,提出使用高斯拟合或模糊聚类的方法确定云的数字特征,以提高云模型计算的准确率;将云发生器与神经元结合,构造不确定性神经元,实现数据不确定性的传递。由于云模型在产生规则时,受数据维度和数据量的影响较大,多维数据产生的规则数量呈指数级增长,提出使用格论对云规则进行上下确界,将相似云规则合并为某一区间的云规则,达到提高算法效率的目的。模糊神经网络需要通过误差传播实现初值调整,初值的确定影响误差迭代的次数,提出将云模型的期望Ex、熵En代替传统的0和1,降低迭代次数,同时避免出现局部最优解。在构建云模糊神经网络模型的基础上,采用上述方法进行实验对比分析,通过UCI数据集与工程实例进行实验,与传统的云模型、模糊神经网络、BP神经网络进行对比,分析算法的运行效率、准确率及规则数量。通过实验对比分析,云模糊神经网络可以充分考虑到数据的随机性和模糊性,优化了云规则的产生,避免了多维规则灾难,保证了算法的运行效率;相对于传统技术算法的准确率有所提高,并适用于多种数据集。
二、改进的模糊神经网络BP算法应用研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、改进的模糊神经网络BP算法应用研究（论文提纲范文）
（1）基于深度学习的超临界机组给水流量预测及控制优化（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及选题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 预测建模方法的发展现状 |
| 1.2.2 超临界机组给水系统的发展现状 |
| 1.3 课题主要研究内容 |
| 1.4 本章小结 |
| 第二章 超临界机组给水系统介绍与分析 |
| 2.1 超临界机组直流锅炉概述 |
| 2.1.1 超临界机组直流锅炉的工作原理 |
| 2.1.2 超临界机组直流锅炉的结构特点 |
| 2.2 超临界机组给水控制系统简介 |
| 2.2.1 超临界机组给水系统的工艺流程 |
| 2.2.2 超临界机组给水系统的控制逻辑 |
| 2.3 本章小结 |
| 第三章 预测建模相关理论概述 |
| 3.1 数据预处理方法 |
| 3.1.1 数据缺失值处理 |
| 3.1.2 数据异常值处理 |
| 3.1.3 数据噪声处理 |
| 3.1.4 数据标准化处理 |
| 3.2 特征选取方法 |
| 3.3 深度学习相关基本概念 |
| 3.3.1 感知器训练 |
| 3.3.2 浅层神经网络 |
| 3.3.3 深度神经网络 |
| 3.4 预测精度分析方法 |
| 3.5 本章小结 |
| 第四章 超临界机组给水流量预测模型建立与结果分析 |
| 4.1 数据获取与数据特点 |
| 4.1.1 数据获取 |
| 4.1.2 数据特点 |
| 4.2 数据预处理 |
| 4.3 特征分析与特征选择 |
| 4.4 基于神经网络的超临界机组给水流量短期预测 |
| 4.4.1 BP神经网络预测模型 |
| 4.4.2 PSO-BP神经网络预测模型 |
| 4.4.3 GA-BP神经网络预测模型 |
| 4.4.4 算例分析 |
| 4.5 基于深度学习的超临界机组给水流量中长期预测 |
| 4.5.1 RNN算法预测模型 |
| 4.5.2 LSTM算法预测模型 |
| 4.5.3 GRU算法预测模型 |
| 4.5.4 Bi-LSTM算法预测模型 |
| 4.5.5 EMD-LSTM算法预测模型 |
| 4.5.6 算例分析 |
| 4.6 本章小结 |
| 第五章 超临界机组给水系统控制优化 |
| 5.1 系统建模方法及方法简介 |
| 5.2 基于改进粒子群算法的给水系统模型辨识 |
| 5.3 模糊PID控制器 |
| 5.3.1 PID控制原理 |
| 5.3.2 模糊PID控制算法基本原理 |
| 5.3.3 模糊PID控制器的设计 |
| 5.4 基于模糊PID控制器的给水系统控制 |
| 5.5 仿真实验结果及分析 |
| 5.6 抗扰动分析 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 存在的问题及今后工作的愿望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（2）基于FASSA-BP算法的智能制造能力成熟度评价研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智能制造能力成熟度概念的国内外研究现状 |
| 1.2.2 智能制造能力成熟度评价指标的国内外研究现状 |
| 1.2.3 智能制造能力成熟度评价方法的国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构和技术路线 |
| 1.4.1 论文结构 |
| 1.4.2 技术路线 |
| 1.5 本章小结 |
| 第二章 相关理论及方法 |
| 2.1 智能制造概述 |
| 2.2 智能制造能力成熟度理论 |
| 2.2.1 成熟度理论 |
| 2.2.2 智能制造能力概述 |
| 2.2.3 智能制造能力成熟度 |
| 2.3 评价方法的分析与选取 |
| 2.3.1 常见的几种评价方法 |
| 2.3.2 确定BP神经网络作为评价方法 |
| 2.4 本章小结 |
| 第三章 智能制造能力成熟度评价指标体系的构建 |
| 3.1 评价指标体系构建原则及步骤 |
| 3.1.1 评价指标体系构建原则 |
| 3.1.2 评价指标体系构建步骤 |
| 3.2 评价指标体系的构建方法 |
| 3.2.1 智能制造能力成熟度影响因素研究 |
| 3.2.2 评价指标体系的设计 |
| 3.2.3 基于Delphi法和相关性分析的评价指标合理性检验 |
| 3.3 评价指标体系的确定 |
| 3.4 评价指标体系的量化 |
| 3.5 本章小结 |
| 第四章 基于FASSA-BP算法的智能制造能力成熟度评价 |
| 4.1 BP神经网络 |
| 4.1.1 BP神经网络基本介绍 |
| 4.1.2 BP神经网络评价研究 |
| 4.2 基于FA算法改进SSA算法 |
| 4.2.1 SSA算法基本介绍 |
| 4.2.2 基于FA算法改进SSA算法 |
| 4.2.3 基于FASSA算法优化BP神经网络 |
| 4.3 基于FASSA-BP算法评价模型的构建 |
| 4.3.1 实验环境的搭建 |
| 4.3.2 网络结构的设计 |
| 4.3.3 网络性能指标的选择 |
| 4.3.4 样本数据的期望输出值 |
| 4.3.5 智能制造能力成熟度等级 |
| 4.4 模型评价步骤 |
| 4.5 本章小结 |
| 第五章 实证分析 |
| 5.1 应用对象概况 |
| 5.2 数据获取及预处理 |
| 5.2.1 数据的获取 |
| 5.2.2 数据集的划分 |
| 5.2.3 数据的预处理 |
| 5.2.4 样本数据的期望输出值的计算 |
| 5.3 L企业智能制造能力成熟度评价 |
| 5.3.1 评价模型训练及测试对比 |
| 5.3.2 子公司智能制造能力成熟度评价 |
| 5.4 评价结果分析与改进建议 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间出版或发表的论着、论文 |
| 致谢 |
（3）基于BP神经网络的数据挖掘技术探究及其在煤热转化数据规律分析中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 常见的煤热转化方式 |
| 1.3 国内、外数据挖掘的研究及应用现状 |
| 1.4 数据挖掘的由来 |
| 1.5 数据挖掘的任务及基本过程 |
| 1.5.1 数据挖掘的任务 |
| 1.5.2 数据挖掘的基本过程 |
| 1.6 常用的数据挖掘的方法 |
| 1.7 人工神经网络 |
| 1.7.1 主要的人工神经网络模型 |
| 1.8 本文的组织框架及研究内容 |
| 第二章 BP神经网络的算法理论及其算法优化探究 |
| 2.1 BP神经网络概述 |
| 2.2 BP神经网络的运行机制 |
| 2.2.1 BP神经网络的理论推理过程 |
| 2.3 BP神经网络的优缺点 |
| 2.3.1 BP神经网络的优点 |
| 2.3.2 BP神经网络的缺点 |
| 2.4 BP神经网络算法的优化分析 |
| 2.4.1 自身算法的直接改进 |
| 2.4.2 与其它智能算法的联用 |
| 2.4.3 多算法优势集成的设计与实现(HA-BP) |
| 2.5 BP神经网络算法优化的检验 |
| 2.5.1 建模与分析 |
| 2.5.2 BP神经网络的计算效果分析 |
| 2.5.3 A-BP神经网络的计算效果分析 |
| 2.5.4 GA-BP神经网络的计算效果分析 |
| 2.5.5 PSO-BP神经网络的计算效果分析 |
| 2.5.6 HA-BP神经网络的计算效果分析 |
| 2.5.7 各模型计算效果对比 |
| 2.6 本章小结 |
| 第三章 异常数据检测(剔除)及变量因素分析(选择) |
| 3.1 异常数据检测(剔除) |
| 3.1.1 异常数据检测方法 |
| 3.1.2 非线性函数仿真验证 |
| 3.1.3 检测效果分析 |
| 3.2 变量因素的分析与选择 |
| 3.2.1 特征参量的选取方法 |
| 3.2.2 HA-BP-MIV算法的实现过程 |
| 3.2.3 HA-BP-MIV算法的仿真验证 |
| 3.3 本章小结 |
| 第四章 煤燃烧发热量的预测探究 |
| 4.1 引言 |
| 4.2 样本情况 |
| 4.3 基于工业分析、元素分析数据预测发热量的建模与探究 |
| 4.3.1 发热量计算的建模与分析 |
| 4.3.2 发热量的预测以及异常数据检测 |
| 4.3.3 影响发热量的变量因素分析 |
| 4.3.4 主要因素提取与计算效果分析 |
| 4.4 基于工业分析数据计算发热量的探究 |
| 4.5 本章小结 |
| 第五章 煤(加氢)热解失重特性曲线的预测探究 |
| 5.1 引言 |
| 5.2 煤样情况 |
| 5.3 基于工业分析、元素分析的煤热解失重特性预测模型 |
| 5.3.1 热解失重实验 |
| 5.3.2 特征数据点的选择与模型建立 |
| 5.3.3 变量分析与筛选 |
| 5.3.4 主要因素的计算效果分析 |
| 5.3.5 热解失重曲线的预测 |
| 5.4 基于工业分析、元素分析的煤加氢热解失重特性预测模型 |
| 5.4.1 加氢热解失重实验 |
| 5.4.2 特征数据点的选择与模型建立 |
| 5.4.3 变量分析与筛选 |
| 5.4.4 主要因素的计算效果分析 |
| 5.4.5 加氢热解失重曲线的预测 |
| 5.5 本章小结 |
| 第六章 煤灰流动温度(FT)的预测探究 |
| 6.1 引言 |
| 6.2 样本情况 |
| 6.3 基于煤灰组成数据预测FT的建模与探究 |
| 6.3.1 预测FT的建模与分析 |
| 6.3.2 FT的预测以及异常数据检测 |
| 6.3.3 影响FT的变量因素分析 |
| 6.3.4 主要因素提取与计算效果分析 |
| 6.4 典型灰样的结渣机理探究及结渣晶相的特征总结 |
| 6.4.1 典型灰样的基础数据测试 |
| 6.4.2 AFTs的测试与分析 |
| 6.4.3 典型灰样的XRD分析 |
| 6.4.4 混合样的灰渣XRD分析 |
| 6.4.5 反应机理的热力学分析 |
| 6.4.6 灰渣样的SEM-EDS分析 |
| 6.4.7 灰样的相图分析 |
| 6.4.8 新生成的矿物对共混灰FT的影响 |
| 6.5 煤灰的分类预测研究 |
| 6.5.1 结渣晶相的特征总结与煤灰的分类 |
| 6.5.2 影响FT的关键因素探究 |
| 6.5.3 “关键特征参量”对FT的影响与关系式的提出 |
| 6.5.4 关系式的验证 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 总结 |
| 7.2 特色与创新 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
| 致谢 |
（4）数据驱动成品汽油调和配方优化及其智能系统开发（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 汽油调和配方优化与相关技术研究现状 |
| 1.2.1 成品汽油调和辛烷值研究现状 |
| 1.2.2 成品汽油调和配方优化研究现状 |
| 1.2.3 数据驱动建模方法研究现状 |
| 1.3 本文的研究思路以及章节安排 |
| 1.3.1 论文研究思路 |
| 1.3.2 论文结构及章节安排 |
| 1.4 本章小结 |
| 第2章 成品汽油调和配方建模方案及相关知识 |
| 2.1 引言 |
| 2.2 成品汽油调和工艺机理与标准 |
| 2.2.1 成品汽油调和工艺 |
| 2.2.2 调和机理的数学描述 |
| 2.2.3 成品汽油质量指标 |
| 2.3 成品汽油调和配方建模面临的问题及解决方法 |
| 2.3.1 成品汽油调和配方建模问题分析 |
| 2.3.2 成品汽油调和配方建模方案的提出 |
| 2.4 数据准备 |
| 2.4.1 数据采集 |
| 2.4.2 数据预处理 |
| 2.5 配方模型评价标准 |
| 2.6 本章小结 |
| 第3章 成品汽油调和数据完备性预测建模方法研究 |
| 3.1 引言 |
| 3.2 基于SHPSO-GA-BP的成品汽油调和指标缺失值预测建模 |
| 3.2.1 建模算法存在问题分析 |
| 3.2.2 SHPSO-GA-BP方法构思 |
| 3.2.3 SHPSO-GA-BP建模流程与步骤 |
| 3.2.4 加氢汽油组分辛烷值、抗爆值预测仿真与结果分析 |
| 3.3 基于多CART集成学习的成品汽油配方缺失组分数据建模 |
| 3.3.1 单一方法建模问题分析 |
| 3.3.2 基于集成学习的成品汽油配方缺失组分数据建模思想 |
| 3.3.3 基于集成学习的成品汽油配方缺失数据模型建立与结果分析 |
| 3.4 本章小结 |
| 第4章 基于DBN的成品汽油调和保守配方建模 |
| 4.1 引言 |
| 4.2 基于DBN的成品汽油调和保守配方建模方法概述 |
| 4.2.1 基于DBN的成品汽油调和保守配方建模方法考虑 |
| 4.2.2 算法原理 |
| 4.2.3 基于PSO-DBN的成品汽油调和保守配方建模算法流程与步骤 |
| 4.2.4 仿真研究与结果分析 |
| 4.3 基于DBN-ELM的成品汽油调和保守配方建模 |
| 4.3.1 基于DBN-ELM配方建模的考虑 |
| 4.3.2 算法原理 |
| 4.3.3 基于DBN-ELM的成品汽油调和保守配方建模算法流程与步骤 |
| 4.3.4 仿真结果分析 |
| 4.4 本章小结 |
| 第5章 成品汽油调和混合配方建模 |
| 5.1 引言 |
| 5.2 基于PSO-LSSVM的成品汽油调和卡边配方建模 |
| 5.2.1 基于PSO-LSSVM的成品汽油调和卡边配方建模方法考虑 |
| 5.2.2 LSSVM算法原理 |
| 5.2.3 基于PSO-LSSVM的卡边配方建模流程与步骤 |
| 5.2.4 仿真实验与结果分析 |
| 5.3 混合配方模型建立 |
| 5.3.1 成品汽油调和混合配方建模方法考虑 |
| 5.3.2 混合配方建模流程与步骤 |
| 5.3.3 基于权重更新策略的混合配方模型仿真与结果分析 |
| 5.4 本章小结 |
| 第6章 成品汽油调和配方智能管理系统开发 |
| 6.1 引言 |
| 6.2 成品汽油调和配方智能管理系统分析 |
| 6.2.1 系统可行性分析 |
| 6.2.2 系统功能需求分析 |
| 6.3 成品汽油调和配方智能管理系统数据库设计 |
| 6.3.1 数据库功能模块 |
| 6.3.2 E-R数据模型设计 |
| 6.3.3 关系表设计 |
| 6.4 成品汽油调和配方智能系统开发 |
| 6.4.1 系统主框架程序设计 |
| 6.4.2 保守配方预测功能模块设计 |
| 6.4.3 混合配方预测及模型评价功能模块设计 |
| 6.4.4 在线优化功能模块设计 |
| 6.5 系统功能测试 |
| 6.5.1 用户及管理员登陆功能测试 |
| 6.5.2 界面切换与辛烷值/抗爆值预测功能测试 |
| 6.5.3 保守配方预测功能测试 |
| 6.5.4 卡边配方预测功能测试 |
| 6.5.5 混合配方预测与模型评价功能测试 |
| 6.5.6 在线优化功能测试 |
| 6.5.7 其他 |
| 6.6 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录 攻读学位期间发表的学术论文 |
（5）基于模糊神经网络的网络运行态势感知研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究历史和现状 |
| 1.2.1 网络态势感知研究现状 |
| 1.2.2 模糊神经网络研究现状 |
| 1.3 本文的主要贡献和创新 |
| 1.4 本论文的结构安排 |
| 第二章 论文相关领域基础知识 |
| 2.1 网络态势感知概述 |
| 2.1.1 网络态势评估方法 |
| 2.1.2 态势分析 |
| 2.2 模糊理论概述 |
| 2.2.1 模糊逻辑推理系统 |
| 2.2.2 T-S模糊模型 |
| 2.3 模糊神经网络概述 |
| 2.3.1 模糊逻辑系统和神经网络的结合 |
| 2.3.2 模糊神经网络结构概述 |
| 2.4 模糊神经网络学习算法概述 |
| 2.4.1 模拟退火算法(SA) |
| 2.4.2 遗传算法(GA) |
| 2.5 本章小结 |
| 第三章 网络运行态势感知总体方案设计 |
| 3.1 网络运行态势感知系统设计 |
| 3.2 网络运行态势方案设计 |
| 3.3 网络运行态势指标的构建 |
| 3.3.1 网络态势指标简介 |
| 3.3.2 构建网络运行态势指标体系 |
| 3.3.3 指标数据的整理 |
| 3.4 数据的模糊化处理 |
| 3.4.1 态势特征的提取 |
| 3.4.2 模糊划分 |
| 3.5 本章小结 |
| 第四章 态势感知模糊神经网络的设计 |
| 4.1 模糊神经网络结构设计 |
| 4.1.1 需求分析 |
| 4.1.2 CSA-模糊神经网络 |
| 4.2 模糊神经网络学习算法的设计及实现 |
| 4.2.1 混合温度模拟退火算法(MTSA) |
| 4.2.2 自适应均匀分布遗传算法(AUGA) |
| 4.2.3 AUGA-MTSA算法 |
| 4.3 实验验证分析 |
| 4.3.1 CSA-模糊神经网络结构对比分析 |
| 4.3.2 CSA-模糊神经网络算法对比分析 |
| 4.4 本章小结 |
| 第五章 网络运行态势感知系统实现与仿真分析 |
| 5.1 网络运行数据的收集和处理 |
| 5.1.1 数据的采集和预处理 |
| 5.1.2 网络数据的模糊化处理 |
| 5.2 基于CSA-模糊神经网络结构的网络运行态势感知仿真 |
| 5.3 基于CSA-模糊神经网络的网络运行态势感知算法仿真 |
| 5.3.1 混合温度模拟退火算法(MTSA)仿真 |
| 5.3.2 遗传算法(GA)参数对态势感知性能的影响 |
| 5.3.3 自适应均匀分布遗传算法(AUGA)仿真 |
| 5.3.4 AUGA-MTSA算法仿真 |
| 5.4 网络运行态势感知仿真结果分析 |
| 5.5 网络运行态势感知系统的应用 |
| 5.6 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（6）基于改进BP神经网络的水轮机控制算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智能算法研究现状 |
| 1.2.2 智能算法用于水轮机调节系统研究现状 |
| 1.3 主要研究内容 |
| 2 水力发电机组调节系统数学模型 |
| 2.1 调速器数学模型 |
| 2.2 水轮机数学模型 |
| 2.2.1 水轮机动态特性表示 |
| 2.2.2 水轮机传递系数的计算 |
| 2.3 有压过水系统数学模型 |
| 2.4 发电机数学模型 |
| 2.5 水轮机调节系统数学模型 |
| 2.6 PID控制算法的小波动过渡过程仿真 |
| 3 BP神经网络算法基本理论 |
| 3.1 人工神经网络原理 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络信号正向传播理论 |
| 3.2.2 BP网络误差反向传播理论 |
| 3.2.3 BP神经网络的局限性 |
| 4 梯度优化理论 |
| 4.1 牛顿法与拟牛顿法 |
| 4.1.1 牛顿法 |
| 4.1.2 拟牛顿法 |
| 4.2 线搜索方法 |
| 4.2.1 精确线搜索 |
| 4.2.2 非精确线搜索中的Armijo准则 |
| 4.3 基于梯度优化理论的BFGS-BPNN算法构建 |
| 4.3.1 网络神经元数目选择 |
| 4.3.2 归一化数据处理 |
| 4.3.3 激活函数选择及参数设定 |
| 4.3.4 网络计算 |
| 5 基于岭回归的拟牛顿BP算法研究 |
| 5.1 岭回归的原理 |
| 5.2 基于岭回归拟牛顿BP算法 |
| 6 TR-BFGS-BPNN算法性能优化 |
| 6.1 固定初始权值的训练法 |
| 6.2 小批梯度下降训练法 |
| 6.3 优化后TR-BFGS-BPNN的性能验证 |
| 7 TR-BFGS-BPNN控制算法在水轮机调节系统的仿真研究 |
| 7.1 S函数的编写 |
| 7.2 具有神经网络控制算法的水轮机调节系统数学模型建立 |
| 7.3 岭回归拟牛顿BP算法在水轮机调节系统的仿真研究 |
| 7.3.1 岭回归拟牛顿BP-PID控制算法在水轮机调节系统仿真研究 |
| 7.3.2 岭回归拟牛顿BP控制算法水轮机调节系统仿真研究 |
| 8 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 致谢 |
（7）基于数据和模型的油浸式电力变压器健康管理系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力变压器状态评估研究现状 |
| 1.2.2 电力变压器热点温度计算研究现状 |
| 1.2.3 电力变压器故障诊断研究现状 |
| 1.2.4 电力变压器绝缘老化诊断与寿命预测研究现状 |
| 1.3 本文主要研究内容与思路 |
| 1.4 本文主要工作与章节安排 |
| 第二章 基于模糊逻辑的电力变压器多属性状态评估方法 |
| 2.1 引言 |
| 2.2 变压器状态评估指标 |
| 2.3 电力变压器的多属性分析 |
| 2.4 模糊逻辑的电力变压器状态评估方法 |
| 2.4.1 模糊化处理与隶属度函数 |
| 2.4.2 模糊逻辑与近似推理 |
| 2.4.3 逆模糊处理 |
| 2.5 本章小结 |
| 第三章 考虑不同运行工况下油浸式电力变压器的热路模型 |
| 3.1 引言 |
| 3.2 油浸式电力变压器的热路模型 |
| 3.2.1 热路模型原理 |
| 3.2.2 变压器热传递过程 |
| 3.2.3 变压器热路模型的建立 |
| 3.2.4 热路模型法计算值与实测结果的对比 |
| 3.3 不同运行工况下油浸式电力变压器热路模型 |
| 3.3.1 不同负载电流下变压器热路模型的改进 |
| 3.3.2 不同冷却方式下变压器热路模型的改进 |
| 3.3.3 不同内部温度下变压器热路模型的改进 |
| 3.4 求解方法及其准确性分析 |
| 3.4.1 求解方法 |
| 3.4.2 准确性分析 |
| 3.5 本章小结 |
| 第四章 基于改进GA优化BP网络的油浸式电力变压器故障诊断 |
| 4.1 引言 |
| 4.2 三种常见的油浸式电力变压器故障诊断方法 |
| 4.2.1 基于三比值法的的变压器故障诊断 |
| 4.2.2 基于BP神经网络的变压器故障诊断 |
| 4.2.3 基于改进BP神经网络的变压器故障诊断 |
| 4.3 基于改进遗传算法优化BP网络的油浸式电力变压器故障诊断 |
| 4.3.1 BP神经网络算法的参数优化 |
| 4.3.2 GA及其改进 |
| 4.3.3 基于改进GA-BP模型的油浸式电力变压器故障诊断 |
| 4.4 结果与分析 |
| 4.4.1 实验说明 |
| 4.4.2 实验结果 |
| 4.5 本章小结 |
| 第五章 油浸式电力变压器绝缘老化诊断与寿命预测方法研究 |
| 5.1 引言 |
| 5.2 基于热点温度的油浸式电力变压器寿命评估 |
| 5.2.1 温度对变压器绝缘材料寿命的影响 |
| 5.2.2 不同工况下变压器寿命评估 |
| 5.2.3 实例分析 |
| 5.3 基于局放因子向量的油纸绝缘老化诊断 |
| 5.3.1 老化测试及聚合度测量 |
| 5.3.2 样品与局放试验方案 |
| 5.3.3 局部放电特征向量的提取及其主成分因子分析 |
| 5.3.4 基于改进GA-BP神经网络的油纸绝缘老化评估 |
| 5.4 基于Weibull分布的变压器运行寿命预测方法 |
| 5.4.1 Weilbul分布与电气寿命模型 |
| 5.4.2 变压器寿命模型参数估计与寿命预测 |
| 5.4.3 实例分析 |
| 5.5 本章小结 |
| 第六章 油浸式电力变压器健康管理系统平台 |
| 6.1 引言 |
| 6.2 平台关键技术理论问题和开发原则与要求 |
| 6.2.1 平台关键技术理论问题 |
| 6.2.2 开发原则与要求 |
| 6.3 变压器健康管理系统平台架构 |
| 6.3.1 平台技术特点 |
| 6.3.2 平台架构 |
| 6.3.3 变压器设备分级 |
| 6.3.4 状态监测对象与清单 |
| 6.3.5 变压器实时数据的智能监测方案 |
| 6.3.6 离线数据和实时数据的多源异构融合 |
| 6.4 变压器的故障智能诊断与维修优化管理 |
| 6.4.1 变压器的故障智能诊断 |
| 6.4.2 变压器维修优化管理 |
| 6.5 工程应用示例 |
| 6.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士论文取得的研究成果 |
| 致谢 |
| 附件 |
（8）某热电厂供热系统电极蒸汽锅炉运行方式研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究的背景 |
| 1.2 课题研究的目的 |
| 1.3 课题研究的意义 |
| 1.3.1 供热负荷预测技术 |
| 1.3.2 自动控制技术 |
| 1.4 国内外研究现状 |
| 1.4.1 国外研究现状 |
| 1.4.2 国内研究现状 |
| 1.5 课题研究的主要内容及论文结构 |
| 1.5.1 课题研究的主要内容 |
| 1.5.2 论文结构 |
| 2 电极蒸汽锅炉运行方式分析研究 |
| 2.1 电极蒸汽锅炉原理 |
| 2.1.1 电极蒸汽锅炉结构原理 |
| 2.1.2 电极蒸汽锅炉工作原理 |
| 2.2 电极锅炉选型分析 |
| 2.2.1 调峰原理 |
| 2.2.2 调峰辅助补偿标准 |
| 2.2.3 改造后的供暖系统设计 |
| 2.2.4 电极锅炉容量的选择 |
| 2.3 供热负荷预测的分类和方法 |
| 2.3.1 供热负荷预测的分类 |
| 2.3.2 供热负荷预测的方法 |
| 2.4 人工神经网络特点分析 |
| 2.4.1 人工神经网络的特性 |
| 2.4.2 人工神经元模型 |
| 2.4.3 多层前馈神经网络模型和BP算法 |
| 2.5 模糊逻辑控制系统特点分析 |
| 2.5.1 模糊逻辑控制系统介绍 |
| 2.5.2 模糊技术的清晰化方法 |
| 2.6 模糊逻辑与神经网络的结合 |
| 2.7 自动控制的方法 |
| 2.7.1 常规PID控制 |
| 2.7.2 模糊PID控制 |
| 2.8 本章小结 |
| 3 基于模糊神经网络的供热负荷预测 |
| 3.1 负荷预测模糊神经网络模型各层节点数的选取 |
| 3.1.1 输入层节点数的选择 |
| 3.1.2 输出层节点数的选择 |
| 3.1.3 隐含层节点数的选择 |
| 3.2 供热负荷预测的模糊神经网络模型 |
| 3.3 模糊神经网络的学习步骤 |
| 3.4 历史负荷数据及输入输出参数的预处理 |
| 3.4.1 历史负荷数据的预处理 |
| 3.4.2 输入输出参数的预处理 |
| 3.5 模糊神经网络预测仿真与结果分析 |
| 3.5.1 Matlab软件介绍 |
| 3.5.2 网络训练参数的初始化 |
| 3.5.3 模糊神经网络的预测结果 |
| 3.6 电极蒸汽锅炉的运行方式 |
| 3.7 本章小结 |
| 4 基于模糊PID算法的电锅炉功率控制 |
| 4.1 模糊PID控制算法的设计 |
| 4.1.1 模糊PID控制器系统结构 |
| 4.1.2 模糊PID控制算法的设计步骤 |
| 4.2 Simulink仿真与结果分析 |
| 4.2.1 Simulink工具箱介绍 |
| 4.2.2 常规PID控制仿真 |
| 4.2.3 模糊PID控制仿真 |
| 4.2.4 结果分析 |
| 4.3 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（9）基于改进遗传模拟退火优化BP算法的接地故障选线方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 配电网接地故障选线研究现状 |
| 1.2.1 基于稳态特征的方法 |
| 1.2.2 基于暂态特征的方法 |
| 1.2.3 基于注入信号的方法 |
| 1.2.4 基于多判据融合的方法 |
| 1.3 本文主要工作内容 |
| 第二章 小电流接地系统故障特征分析 |
| 2.1 中性点不接地系统 |
| 2.1.1 稳态分析 |
| 2.1.2 暂态分析 |
| 2.1.3 谐波分析 |
| 2.2 中性点经消弧线圈接地系统 |
| 2.2.1 稳态分析 |
| 2.2.2 暂态分析 |
| 2.2.3 谐波分析 |
| 2.3 本章总结 |
| 第三章 基于BP神经网络的小电流接地故障选线方法研究 |
| 3.1 BP神经网络 |
| 3.1.1 BP神经网络算法的结构 |
| 3.1.2 BP神经网络算法的运算原理 |
| 3.2 BP神经网络应用于故障选线的方法 |
| 3.2.1 训练样本集的数据采集与预处理 |
| 3.2.2 应用于接地故障选线的BP神经网络 |
| 3.3 BP神经网络不足与障碍 |
| 3.4 本章总结 |
| 第四章 基于改进遗传模拟退火算法的小电流接地故障选线方法 |
| 4.1 遗传算法 |
| 4.1.1 遗传算法的原理 |
| 4.1.2 遗传算法的主要内容 |
| 4.1.3 遗传算法的优势与缺陷 |
| 4.2 模拟退火算法 |
| 4.2.1 模拟退火算法的原理 |
| 4.2.2 模拟退火算法的主要内容 |
| 4.2.3 模拟退火算法的优势与缺陷 |
| 4.3 基于IGSAA-BP的接地故障选线方法 |
| 4.3.1 遗传模拟退火算法 |
| 4.3.2 改进遗传模拟退火算法 |
| 4.3.3 IGSAA优化BP神经网络算法 |
| 4.3.4 基于IGSAA-BP神经网络的故障选线方法 |
| 4.4 本章小结 |
| 第五章 仿真与实验分析 |
| 5.1 接地系统仿真分析与数据采集 |
| 5.1.1 接地系统仿真模型 |
| 5.1.2 接地系统仿真波形与分析 |
| 5.1.3 数据采集与预处理 |
| 5.2 IGSAA-BP神经网络的设计、训练和测试 |
| 5.2.1 网络的设计 |
| 5.2.2 网络优化、训练与测试 |
| 5.2.3 网络适应性验证 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（10）基于云模型的模糊神经网络算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据挖掘研究现状 |
| 1.2.2 模糊神经网络研究现状 |
| 1.2.3 云模型研究现状 |
| 1.2.4 云神经网络 |
| 1.3 研究内容与技术路线 |
| 1.4 论文结构 |
| 2 相关知识 |
| 2.1 数据挖掘 |
| 2.2 云模型 |
| 2.2.1 云的概念及云模型的表示 |
| 2.2.2 云发生器及不确定性推理 |
| 2.2.3 云模型的软与算法 |
| 2.3 模糊神经网络 |
| 2.3.1 模糊理论 |
| 2.3.2 人工神经网络 |
| 2.3.3 模糊神经网络类型 |
| 2.4 学习算法 |
| 2.5 本章小结 |
| 3 改进的云模型及相关算法 |
| 3.1 云数字特征的求取 |
| 3.1.1 高斯曲线拟合算法 |
| 3.1.2 模糊聚类算法 |
| 3.2 云推理及改进的软与算法 |
| 3.3 本章小结 |
| 4 基于云模型的模糊神经网络算法 |
| 4.1 云模糊神经网络模型 |
| 4.2 云模糊神经网络的学习算法 |
| 4.3 云模糊神经网络算法分析 |
| 4.4 本章小结 |
| 5 实验结果与对比分析 |
| 5.1 实验环境与数据集 |
| 5.2 数据预处理 |
| 5.3 实验结果及分析 |
| 5.3.1 winequality数据集的实验结果与分析 |
| 5.3.2 UCI数据集实验对比分析 |
| 5.3.3 工程实例实验结果与分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
四、改进的模糊神经网络BP算法应用研究（论文参考文献）
- [1]基于深度学习的超临界机组给水流量预测及控制优化[D]. 胡磊. 山西大学, 2021(12)
- [2]基于FASSA-BP算法的智能制造能力成熟度评价研究[D]. 丁雪红. 淮北师范大学, 2021(12)
- [3]基于BP神经网络的数据挖掘技术探究及其在煤热转化数据规律分析中的应用[D]. 谢良才. 西北大学, 2021(12)
- [4]数据驱动成品汽油调和配方优化及其智能系统开发[D]. 王晓明. 兰州理工大学, 2021(01)
- [5]基于模糊神经网络的网络运行态势感知研究[D]. 何文雯. 电子科技大学, 2021(01)
- [6]基于改进BP神经网络的水轮机控制算法研究[D]. 王懿. 西华大学, 2021(02)
- [7]基于数据和模型的油浸式电力变压器健康管理系统研究[D]. 谢鹏. 华南理工大学, 2020(05)
- [8]某热电厂供热系统电极蒸汽锅炉运行方式研究[D]. 井花蓓. 沈阳工程学院, 2021(02)
- [9]基于改进遗传模拟退火优化BP算法的接地故障选线方法[D]. 宋悦阳. 广西大学, 2020(07)
- [10]基于云模型的模糊神经网络算法研究[D]. 赵晨蕾. 内蒙古科技大学, 2020(01)