400
计算机论文

解析RBF神经网络径层次

本文采用径向基神经网络(RBF神经网络),利用内蒙古某风电场2014年7月每10分钟平均实测风速数据,建立神经网络模型,通过网络学习预测风速.2.风速的变化特性受气候背景、地形、海陆分布等多种自然因素的影响,风速在时间分布中具有不确定性和不连续性.

但风速仍具有较强的变化特性.

一般来说,每月平均风速的空间分布与风速的气候背景、地形、海陆分布等有直接关系.

以内蒙古风场为例,风场海拔1000-2000米,气候条件多为温带大陆性季节风气候,风速夏季(6月至9月)小,秋冬春季(10月至第二年5月)风速大.

因此,在预测风速之前,必须充分考虑风场风速变化的特性.RBF神经网络构建.

1、RBF神经网络径向基神经网络(RBF神经网络)由三层构成,输入层、隐含层和输出层如图1所示.

与其他神经网络相比,RBF神经网络的训练时间更短,函数接近最好.

图1RBF神经网络结构RBF神经网络的学习算法需要解决的参数有基础函数的中心、方差、隐含层到输出层的权利值3个.

根据径向基函数中心的选择方法,RBF神经网络有很多学习方法,如随机选择中心法、梯度训练法、监督选择中心法和正交最小二乘法等.

在这里,选择自组织选择中心法作为RBF神经网络的学习方法.

自组织选择中心法由两个阶段构成:一个是自组织学习阶段,这个阶段是没有领导的学习过程,解决隐含层基础函数的中心和方差,二个是有领导的学习阶段,在这个阶段解决隐含层到输出层之间的权利值.

2、数据一体化数据一体化是神经网络预测前常用的数据处理方法.

数据统一处理将所有数据转换为[0、1]之间的数量,目的是取消各维数据之间的数量水平差,以免输入输出数据的数量水平差异大,神经网络预测误差大.

本文应用多年统计的极限风速将风速数据归一化处理.

3、RBF神经网络的构建首先选择一些数据风速作为样品,预测前n时的风速值后n时的风速值.

每个样本的前n个风速值可以归一处理,处理后的数值可以作为RBF神经网络的输入,每个样本的后n个风速值可以归一处理,处理后的数值可以作为RBF神经网络的目标输出,通过RBF神经网络的训练学习.

4、短期风速预测结果以前10天的风速数据为训练样本,预测风扇风速1小时前.

由于阵风、乱流等因素的影响,该鼓风机的风速具有突变性质,观察风速预测曲线需要重预测的倾向和误差状况.

图2预测风速与实测风速相比,神经网络预测风速变化趋势与实际风速变化基本一致,预测风速比实际风速变化缓慢,实际风速变化时预测风速变化幅度小.

5、结论

采用RBF神经网络预测,与传统BP神经网络相比精度高,训练速度快,适用于在线预测.

但是,由于使用的训练数据是风速相对稳定时期的数据,该模型对突变风速的处理能力仍然有限,为了提高预测结果的精度,需要进一步改善模型.

总的来说,通过建立RBF神经网络模型,预测短期风速有一定的局限性,但其预测精度符合工程要求.

上一篇:计算机监控系统在西沟水电站的应用 下一篇:没有了
电话:18141115432
联系地址 北京市朝阳区双桥东路18号院24-1室 周一至周五 09:00-17:30
友情链接:

网站地图

Copyright © 2002-20 经管之家 版权所有

编辑
顾问

联系客服

专属客服,一对一编辑辅导发稿
论文 期刊

服务时间

周一至周六
08:30-22:00

服务
热线

24小时服务热线:18141115432