机电之家行业门户网运行
文章 下载
最新公告:

  没有公告

设备维修与管理培训
您现在的位置: 设备维修与管理 >> 设备管理 >> 基础管理 >> 运行管理 >> 资讯正文
 
赞助商
 
 
最新文章
 
 设备管理中存在的问题及改进措施
 探索设备备件更换规律,实现设备
 创新设备管理 提升竞争优势
 设备管理关乎企业效益
 TPM自主保全实践的探索与思考
 驱动离心泵的电机电流高的原因及
 离心泵运行时不打量的原因
 离心泵一般容易发生的故障有哪些
 离心泵各零部件的检修标准
 计量泵的常见故障及处理方法
 
推荐技术
 
 
相关文章
 
旋转机械故障诊断的模糊
基于小波及神经网络的汽
基于人工神经网络的梯级
应用人工神经网络方法预
人工神经网络在电厂化学
基于人工神经网络的大型
钢球磨煤机的模糊神经元
基于小波奇异性检测的高
单神经元自适应控制PSD在
两种小波变换方法及其在
 
客户服务
 
如果您有设备方面好的文章或见解,您可以送到我们的投稿信箱
客服电话:0571-87774297
信   箱:88ctv@163.com
我们保证在48小时内回复


s

b

g

l

.

j

d

z

j

.

c

o

m

 

小波神经网络的火电单元机组负荷系统建模仿真研究           
小波神经网络的火电单元机组负荷系统建模仿真研究
作者:佚名 文章来源:不详 点击数: 更新时间:2008-9-23 16:42:54
的输入信号,得到网络和模型的输出,并将两者进行对比。
(1)μT与μB在输入信号为幅值0.8,频率0.1的方波信号时的测试曲线(见图5)
(2)μB与μT在输入信号为幅值0.8,频率0.1的正弦波信号时的测试曲线(见图6)
图5、图6是网络的测试结果,从中可以看出,小波网络输出与实际模型输出在波形、幅度、相位上基本保持一致,这说明网络的训练是成功的,本文的方法也是有效的。训练后的小波网络总体性能良好,可以代替单元机组的非线性模型。



5
结束语

本文采用小波神经网络建立了火电单元机组负荷的数学模型。仿真结果表明,小波神经网络对于单元机组负荷的精确数学模型的逼近是成功的。虽然小波网络的工作机理和一般的神经网络基本相同,隐层对输入样本进行特征提取,输出层对输入样本进行模式分类,但由于小波激励函数的局部化特征(fÎL2),它对局部间差异较大的函数,特别是在函数突变处的逼近能力更强。这种特性非常适用于像单元机组这种输入输出数据为非均匀性数据对的数学模型的逼近。
今后的研究方向是将小波神经网络用于其它热工过程的模型辨识,并设法进一步提高辨识精度,并将研究成果应用于实际系统自适应控制和预测控制的模型辨识中。


参考文献


[1]
陈哲、冯天瑾,陈刚,等(Chen Zhe, Feng Tianjin,Chen Gang, et al).一种基于BP算法学习的小波神经网络(A kind of BP algorithm-learning wavelet neural network) [J].青岛海洋大学学报(Proceedings of Qingdao Ocean University),2001,31(1):122-128.
[2]
Chen Tianping, Chen Hong. Approximation capability to functions of several variables, nonlinear functionals, and operators by radial basis function neural network [J] .IEEE Trans. on NN,1995,6(4):904-910.
[3]
Zhang Q, Benveniste A. Wavelet networks[J]. IEEE Trans. on NN, 1992,3(11):889-898.
[4]
Pati Y C, Krishnaprasad P S. Analysis and synthesis of feedforward neural network using discrete a ffine wavelet [J]. IEEE Trans. on NN,1993,4(1):73-75.
[5]
Baskshi B R, Stephanopoulous G. Wave-net:a multi resolution, hierarchical neural network with localized learning[J]. American Institute Chemical Engineer Journal,1993,39(1):57-81.
[6]
Zhang Jun, Walter G, Miao Y, et al. Wavelet neural networks for function learning [J] . IEEE Trans. on SP,1995,43(6):1485-1497.
[7]
Szu H, Telfer B,Kadambe S. Neural network adaptive wavelets for signal representation and classification[J]. Optical Engineering, 1992,36(9):1907-1916.
[8]
Kreinovich V, Sirisaengtaksin O,Cabren S. Wavelet neural networks are asymptotically optimal approximators for functions of one variable. [A].Florida, USA: Proceeding of IEEE ICNN′[C]. 1994.1:299-304.
[9]
杨福生.小波变换的工程分析与应用[M]. 北京:科学出版社,1999.
[10]
张兆宁,毛鹏, 郁惟镛, 等(Zhang Zhaoning, Mao Peng,Yu Weiyong,et al)时间序列小波神经网络在故障测距中的应用(The fault location method for earth fault with time series wavelet neural networks system) [J] .中国电机工程学报(Proceedings of the CSEE),2001,21(6):66-71.

上一页  [1] [2] 

资讯录入:admin    责任编辑:admin 
  • 上一篇资讯:

  • 下一篇资讯:
  • 【字体: 】【发表评论】【加入收藏】【告诉好友】【打印此文】【关闭窗口
      网友评论:(只显示最新10条。评论内容只代表网友观点,与本站立场无关!)

    不良信息
    举报中心
    机电之家设备管理网
    致力于机电设备维修与管理技术
    网络110
    报警服务
    服务热线:0571-87774297 传真:0571-87774298 电子邮件:donemi@hz.cn 服务 QQ:66821730
    机电之家(www.jdzj.com)旗下网站 杭州滨兴科技有限公司提供技术支持

    版权所有 Copyright © 机电之家--中国机电行业门户·设备维修与管理

    主办:杭州高新(滨江)机电一体化学会
    浙ICP备05041018号