在交通碳达峰和碳中和的背景下,高精度、细粒度、可实施性强的机动车能耗实时预测方法成为交通减碳关键组成之一。针对传统基于回归的车辆能耗模型普适性较差的问题,提出了一种基于径向基函数神经网络(radial basis function neural net...在交通碳达峰和碳中和的背景下,高精度、细粒度、可实施性强的机动车能耗实时预测方法成为交通减碳关键组成之一。针对传统基于回归的车辆能耗模型普适性较差的问题,提出了一种基于径向基函数神经网络(radial basis function neural network,RBFNN)的车辆能耗预测模型。首先分析车辆能耗影响因素并基于Min-Max标准化方法对影响因素矩阵进行归一化处理,然后基于灰狼算法(grey wolf optimization,GWO)优化RBFNN算法隐藏层中心点、高斯函数的宽度和隐含层与输出层连接的权值的训练,最后从横向模型对比和实车实测数据进行模型预测准确度分析。测试结果表明:RBFNN算法预测准确度较传统回归模型提高约12%,整体准确度达到90%以上,能够很好地对城市机动车能耗进行预测。展开更多
为研究车用质子交换膜燃料电池的预测和健康管理问题,提出了一种以相对功率损耗率为健康指标、灰狼优化(grey wolf optimizer,GWO)算法与径向基(radial basis function,RBF)神经网络相结合的方法(GWO-RBF),对车用质子交换膜燃料电池的...为研究车用质子交换膜燃料电池的预测和健康管理问题,提出了一种以相对功率损耗率为健康指标、灰狼优化(grey wolf optimizer,GWO)算法与径向基(radial basis function,RBF)神经网络相结合的方法(GWO-RBF),对车用质子交换膜燃料电池的剩余使用寿命进行预测。首先,通过对初始时刻燃料电池极化曲线的分析,构建以相对功率损耗率为健康指标的计算方法,并采用灰色关联度分析方法验证其可行性。然后,应用GWO算法优化的RBF神经网络预测车用质子交换膜燃料电池的剩余使用寿命。最后,采用两组数据集对提出的方法进行了验证分析。结果表明:与其他方法相比,提出的基于GWO-RBF方法的平均绝对百分比误差、均方根误差最小,决定系数最大,相对误差小于1%。可见本文方法能够以较少的数据集、较高的精度预测车用质子交换膜燃料电池的剩余使用寿命。展开更多
为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦...为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦合特性。提出了一种基于多变量相空间重构(multivariate phase space reconstruction,MPSR)和径向基函数神经网络(radial basis function neural network,RBFNN)相结合的IES超短期电冷热负荷预测模型。首先,分析了IES中能源子系统之间的耦合关系,运用Pearson相关性分析定量描述多元负荷和气象特征的相关性。然后,采用C-C法对时间序列进行MPSR以进一步挖掘电冷热负荷和气象特征在时间上的耦合特性。最后,利用RBFNN模型对电冷热负荷间耦合关系进行学习并预测。实验结果表明,所提方法有效挖掘并学习电冷热负荷在时间上的耦合特性,且在不同样本容量下具有良好且稳定的预测效果。展开更多
文摘在交通碳达峰和碳中和的背景下,高精度、细粒度、可实施性强的机动车能耗实时预测方法成为交通减碳关键组成之一。针对传统基于回归的车辆能耗模型普适性较差的问题,提出了一种基于径向基函数神经网络(radial basis function neural network,RBFNN)的车辆能耗预测模型。首先分析车辆能耗影响因素并基于Min-Max标准化方法对影响因素矩阵进行归一化处理,然后基于灰狼算法(grey wolf optimization,GWO)优化RBFNN算法隐藏层中心点、高斯函数的宽度和隐含层与输出层连接的权值的训练,最后从横向模型对比和实车实测数据进行模型预测准确度分析。测试结果表明:RBFNN算法预测准确度较传统回归模型提高约12%,整体准确度达到90%以上,能够很好地对城市机动车能耗进行预测。
文摘为研究车用质子交换膜燃料电池的预测和健康管理问题,提出了一种以相对功率损耗率为健康指标、灰狼优化(grey wolf optimizer,GWO)算法与径向基(radial basis function,RBF)神经网络相结合的方法(GWO-RBF),对车用质子交换膜燃料电池的剩余使用寿命进行预测。首先,通过对初始时刻燃料电池极化曲线的分析,构建以相对功率损耗率为健康指标的计算方法,并采用灰色关联度分析方法验证其可行性。然后,应用GWO算法优化的RBF神经网络预测车用质子交换膜燃料电池的剩余使用寿命。最后,采用两组数据集对提出的方法进行了验证分析。结果表明:与其他方法相比,提出的基于GWO-RBF方法的平均绝对百分比误差、均方根误差最小,决定系数最大,相对误差小于1%。可见本文方法能够以较少的数据集、较高的精度预测车用质子交换膜燃料电池的剩余使用寿命。
文摘为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦合特性。提出了一种基于多变量相空间重构(multivariate phase space reconstruction,MPSR)和径向基函数神经网络(radial basis function neural network,RBFNN)相结合的IES超短期电冷热负荷预测模型。首先,分析了IES中能源子系统之间的耦合关系,运用Pearson相关性分析定量描述多元负荷和气象特征的相关性。然后,采用C-C法对时间序列进行MPSR以进一步挖掘电冷热负荷和气象特征在时间上的耦合特性。最后,利用RBFNN模型对电冷热负荷间耦合关系进行学习并预测。实验结果表明,所提方法有效挖掘并学习电冷热负荷在时间上的耦合特性,且在不同样本容量下具有良好且稳定的预测效果。
