「文獻筆記」粒子群優化人工神經網絡,預測光伏光熱系統熱電輸出

2020-12-23 新能源領域前沿研究

01算法簡介

1. 人工神經網絡

人工神經網絡（Artificial Neural Network，ANN），是基於生物學中神經網絡的基本原理，在理解和抽象了人腦結構和外界刺激響應機制後，以網絡拓撲知識為理論基礎，模擬人腦的神經系統對複雜信息的處理機制的一種數學模型。以並行分布的處理能力、高容錯性、智能化和自學習等能力為特徵，網絡的輸出則取決於網絡的結構、網絡的連接方式、權重和激活函數。

圖1. 多層感知人工神經網絡
圖2. 徑向基函數人工神經網絡
圖3. 加入反向傳輸算法的ANN

該文的反向傳輸算法為LM算法(列文伯格馬夸特

2. 粒子群優化算法

粒子群優化算法（PSO）的基本思想是通過群體中個體之間的協作和信息共享來尋找最優解，PSO的優勢在於簡單容易實現並且沒有許多參數的調節。目前已被廣泛應用於函數優化、神經網絡訓練、模糊系統控制以及其他遺傳算法的應用領域。本文利用PSO用於訓練神經網絡，為神經網絡模型的預測過程找到最佳參考值（權值和閥值）。

圖4. 粒子群算法流程圖

標準PSO的算法流程如下： 1. 初始化一群微粒隨機位置和速度； 2. 評價每個微粒的適應度；3. 對每個微粒，將它的適應值和它經歷過的最好位置pbest的作比較，如果較好，則將其作為當前的最好位置pbest； 4. 對每個微粒，將它的適應值和全局所經歷最好位置gbest的作比較，如果較好，則重新設置gbest的索引號； 5. 根據方程調節微粒的速度和位置；6. 評價，如未達到結束條件回到第2步。

02研究內容

圖5. 本文研究框架

環境溫度，入射太陽輻射和流體入口溫度為輸入參數，流體出口溫度和光伏板發電效率為輸出參數。

圖6. 本文實驗系統

實驗系統用於提供算法網絡的訓練樣本和預測值的驗證數據。

03預測模型精度分析

本文主要研究了多層感知（MLPANN）、徑向基函數(RBFANN)兩種人工神經網絡以及自適應神經網絡模糊推理算法（ANFIS）在預測基於ZnO納米流體光伏光熱系統的熱能和電能輸出，PSO用於訓練神經網絡，為神經網絡模型的預測過程找到最佳參考值。

圖7. ANFIS預測精度分析
圖8. MLPANN預測精度分析
圖9. RBFANN預測精度分析

04本文結論

論文號：10.1016/j.applthermaleng.2016.11.105 （Top）

相關焦點

  • 使用粒子群優化(PSO)來訓練神經網絡(Numpy)
    神經網絡是最著名且使用最廣泛的算法之一。在監督學習中，我們標記了輸出數據，我們將預測輸出與實際標籤進行比較，然後計算誤差。在神經網絡中，我們以同樣的方式定義神經網絡體系結構，通過比較實際標籤和預測標籤來計算誤差，然後使用某種優化算法來優化該誤差。
  • 基於深度神經網絡的脫硫系統預測模型及應用
    但是，化學機理建模也面臨因計算代價大從而過度簡化、無法考慮複雜工況等問題，導致預測效果較差，模型遷移能力不強。隨著人工智慧技術的高速發展，神經網絡技術逐漸被應用於對脫硫系統進行建模預測。早期技術主要是基於簡單的反向傳播（Back Propagation, BP）設計神經網絡，但因 BP 網絡結構簡單，存在一些問題。
  • 神經動力學方法 全局優化
    例如，在非線性魯棒模型預測控制中，最優控制信號必須通過實時反覆求解約束非凸優化問題，在一個後退的水平框架中進行計算。開發高性能的實時優化方法一直是人們所期望和鼓勵的。基於遞歸神經網絡(RNNs)的神經動力學優化正成為解決這類問題的一種有前途的方法。神經動力優化的一個吸引人的特點在於並行信息處理和硬體的可實現性。
  • 人工智慧學習之什麼是人工神經網絡?
    在構建一個識別「貓「圖像的一個系統中，將在包含標記為「貓」的圖像的數據集上訓練人工神經網絡，該數據集可用作任何進行分析的參考點。正如人們可能學會根據尾巴或皮毛等獨特特徵來識別狗一樣，人工神經網絡(ANN)也可以通過將每個圖像分解成不同的組成部分(如顏色和形狀)進行識別。
  • 韓國Andes將角逐智利2GW光熱光伏混合項目
    可連續24小時穩定輸出電力早在2014年，智利政府就以114美元/MWh的價格向該項目授予了為期15年的購電協議（PPA），但此後光熱發電價格已大幅下跌。儘管當年美國開發商SolarReserve（現已破產）投出了63美元/兆瓦時的創紀錄光熱投標低價，但依然未能中標。目前，光熱開發商們希望憑藉創新型的CSP-PV設計能夠增加今年中標的機會。此次招標允許在白天使用光伏系統供電，在夜間則使用光熱系統供電。
  • 人工神經網絡和BaggingRegressor預測模型比較分析
    人工神經網絡是一種模仿生物神經網絡（大腦）的結構和功能的數學模型或計算機模型，由輸入層（input layer），隱藏層（hidden layers）
  • AI的人工神經網絡
    人工神經網絡是模擬人和動物的神經網絡的某種結構和功能的模擬，所以要了解神經網絡的工作原理，所以我們首先要了解生物神經元。其結構如下圖所示： 從上圖可看出生物神經元它包括，細胞體：由細胞核、細胞質與細胞膜組成；軸突：是從細胞體向外伸出的細長部分，也就是神經纖維。
  • 什麼是人工神經網絡(ANN)?
    人工神經網絡如何運作人工神經網絡的核心成分是人工神經元。每個神經元接收來自其他幾個神經元的輸入，將它們乘以分配的權重，將它們相加，然後將總和傳遞給一個或多個神經元。一些人工神經元可能在將輸出傳遞給下一個變量之前將激活函數應用於輸出。
  • 人工神經網絡比我們想像得更類似於大腦
    經過數十年的研究和開發，研究人員已經設法創建了深度神經網絡，有時在特定任務中與人類的表現相匹配或超越。 但是，關於人工智慧的討論中反覆出現的主題之一是，深度學習中使用的人工神經網絡，是否類似於我們大腦的生物神經網絡。 許多科學家認同，人工神經網絡是對大腦結構的非常粗略的模仿，有些人認為，人工神經網絡是統計推理引擎，不能反映大腦的許多功能。
  • 無功電壓優化對新能源消納的影響
    對於含有新能源的無功優化控制既要考慮DG和無功補償裝置的無功出力的連續控制，又要考慮新能源的不確定性。有學者將風電和光伏的有功無功輸出能力與傳統有功無功優化方式相配合，利用場景縮減方法，實現了配電網的經濟運行。有學者側重分析了含光伏配電網的有功無功資源，利用二層規劃分別將光和電容器的狀態變量和出力分為上下層優化變量，通過發掘光伏的無功調節潛力，對配電網的經濟性和安全性進行了優化。
  • 「風光熱儲」新模式:750MW光伏+200MW風電+50MW光熱啟動規劃
    12月6日，50MW熔鹽槽式光熱發電項目復啟會暨甘肅阿克塞「風光熱儲一體化」綜合能源示範基地規劃研討會在甘肅蘭州召開，該基地依託在建的金釩能源阿克塞50MW槽式熔鹽光熱電站（1#機組）項目，計劃配套建設200MW風電、750MW光伏，按照「風光熱儲一體化」模式開發建設，實現100%
  • 研究不同神經元在人工神經網絡中的作用
    在過去十年左右的時間裡，世界各地的研究人員一直在開發越來越先進的人工神經網絡(ANNs)，這種計算方法旨在複製人類大腦的生物機制和功能。雖然其中一些網絡在各種任務中取得了顯著的成果，但預測背後的決策過程並不總是很清楚。
  • DeepMind,哈佛造出了 AI「小白鼠」:從覓食,擊球窺探神經網絡奧秘
    他們還嘗試用神經科學技術來理解這個「人造大腦」如何控制其行為。或許這一成果可以為我們提供人工智慧研究的新思路。人工神經網絡算是目前最為先進的人工智慧，這是一類由多層神經元互聯組件構成的機器學習算法，而「神經元」最早就是來自大腦結構的啟發。
  • 摩洛哥800MW光伏光熱混合發電項目將利用光伏電力蓄熱
    CSPPLAZA光熱發電網報導：一般來說，光伏發電項目會選擇配置蓄電池以實現能源存儲，但摩洛哥正在推進建設的裝機800MW的摩洛哥Noor Midelt I光熱光伏混合項目將打破這一慣例，率先將光伏發電與熔鹽蓄熱系統結合起來。
  • 圖網絡的出現並非偶然
    為了應對這些缺點，另一派研究人員開始倡導人工神經網絡或連接人工智慧，他們是當今深度學習系統的先驅。這種系統的基本思想是通過傳播模擬節點（人腦中神經元的類似物）網絡中的信號來對其進行處理。信號沿著連接（突觸的類似物）從節點傳遞到節點。類似於真實的大腦，學習是調整可放大或抑制每個連接所攜帶信號的「權重」的問題。
  • 深度神經網絡預測8小時內降水:解析度小到1公裡、間隔2分鐘
    另一種天氣預測方法就是使用深度神經網絡，深度神經網絡不僅能夠克服這些局限，而且由於它不是對顯性物理定律進行編碼，而是發現其中的數據模式，同時藉助GPU和TPU這類專用硬體強大的並行計算能力，學習從輸入到合理輸出的複雜轉化。
  • 人工神經機器人系統是什麼一號
    人工神經機器人系統是神工一號。人工神經機器人是基於神經科學和機器人技術的新型機器人系統，以生物神經系統作為信息接口，對生物體-設備-環境三者進行閉環信息融合，達到對生命體某些生理機能的補償、增強或拓展需求。
  • 從經典結構到改進方法,神經網絡語言模型綜述
    選自arXiv作者：Kun Jing、Jungang Xu機器之心編譯參與：Geek AI、張倩作為自然語言處理（NLP）系統的核心組成部分，語言模型可以提供詞表徵和單詞序列的概率化表示。神經網絡語言模型（NNLM）克服了維數的限制，提升了傳統語言模型的性能。
  • Transformer新型神經網絡在機器翻譯中的應用|公開課筆記
    如左圖所示，我們輸入一個待翻譯的句子，通過神經網絡編碼器，去把這個句子的信息編碼成中間狀態，就是這個圖中紅色的部分，它用數值的隱層來表示。經過中間狀態、經過神經網絡解碼器去生成對應的翻譯，是編碼、解碼的過程。翻譯的知識和參數都是由神經網絡自動進行學習的，它省去了之前傳統方法之前的人工幹預模塊，使整個翻譯過程統一化，並且簡潔。
  • 贈書|人工智慧識萬物:卷積神經網絡的前世今生
    在前述章節的基礎上，本章將主要介紹訓練卷積神經網絡和深度神經網絡的重要方法與技巧，深度神經網絡的遷移學習策略，以及如何訓練深度神經網絡以解決實際問題等內容。*文末有贈書福利受20世紀中期興起的神經科學及腦科學研究的啟發，通過模擬生物神經元接收和處理信息的基本特性，研究人員提出並設計了人工神經元。作為計算機科學、生物學和數學的交叉融合，卷積神經網絡已經發展成為計算機視覺領域中最具影響力和有效的基礎技術。