分享7篇关于Elman神经网络的计算机专业论文

今天分享的是关于Elman神经网络的7篇计算机毕业论文范文, 如果你的论文涉及到Elman神经网络等主题,本文能够帮助到你

基于云平台的分布式光伏电站远程监控系统研究与设计

这是一篇关于云平台,LoRa,NB-IoT,主成分分析,Elman神经网络,光伏短期出力预测的论文, 主要内容为我国2021年提出力争在2030年实现“碳达峰”,并于2060年实现最终目标“碳中和”,新能源作为实现双碳目标的重要一环,也迎来了新的发展机遇。光伏发电作为新能源的一种,在国家政策支持下,截止到2021年底,我国累计并网光伏装机容量达305.98GW,其中,分布式光伏电站占比从2015年的14%提高至35.1%。由于分布式光伏电站比较分散,其数据传输、监测与统一化管理有一定难度。随着应用规模增加、应用区域的不断扩大,其远程集中监控对优化光伏电站、提高发电收益具有越来越重要的意义。针对目前分布式光伏电站比较分散,信息化程度较低,不利于后期监控、管理和维护等问题,本文研究光伏电站监控系统现状,使用传感器技术、无线通信技术、物联网技术、云平台技术等,设计了基于云平台的分布式光伏发电站远程监控系统。系统利用Lo Ra进行场内无线数据采集、NB-Io T终端进行场外数据交互,在扩大无线覆盖范围的同时减少与外部进行数据交互的终端个数。采用云服务器进行开发,通过调用One NET云平台API接口实现数据的调用与推送;使用开源的Tomcat服务器、My SQL数据库、SSM框架及Bootstrap框架进行前后端开发,最终实现监控系统的登录注册、实时监控、历史数据查询、人员管理、故障报警等功能。在光伏短期出力预测方面,通过PCA对原始特征数据降维,并使用GWO算法对Elamn神经网络进行优化,从而构建PCA-GWO-Elman光伏短期出力预测模型,经MATLAB仿真表明该模型预测效果较好。本文在华南某分布式光伏电站对系统的Lo Ra无线传输模块通信、网关最大负载、NB-Io T无线传输模块等进行测试。测试结果表明,系统稳定可靠、数据采集精度高、Web端功能正常,能够满足分布式光伏电站的远程监控需求。此外,所设计的基于云平台的分布式光伏电站远程监控系统具有操作简单、响应快、扩展性强等特点,具有良好的市场应用前景。

酥梨果园物联网智能灌溉系统的设计与实现

这是一篇关于酥梨果园,Elman神经网络,物联网,模糊控制的论文, 主要内容为近年来,我国酥梨产业发展迅速,但传统粗放的生产经营模式是制约其进一步发展的瓶颈。为满足酥梨果园生产管理的需求,进一步提高标准化管理水平,开展酥梨果园土壤墒情预测与智能灌溉控制研究,为酥梨生长创造更加适宜环境条件的同时,达到节约水资源、提高果园生产效率的目的。具体研究内容如下:(1)基于SSA-Elman的酥梨果园土壤墒情预测模型研究针对传统的土壤墒情预测方法准确度较低、训练周期长的问题,提出基于Elman神经网络的酥梨果园土壤墒情预测模型。为了解决Elman神经网络易陷入局部极值、训练速率慢的问题,利用麻雀搜索算法对Elman神经网络加以优化,构建基于SSA-Elman的酥梨果园土壤墒情预测模型。实验结果表明,SSA-Elman模型对土壤墒情的预测指标RMSE、MAE、MAPE和R2分别为2.279、1.815、0.038和0.970,可准确预测酥梨果园土壤墒情。(2)基于模糊PID的酥梨果园灌溉控制模型研究基于土壤墒情预测值与栽培经验,结合酥梨各物候期需水特性,构建基于模糊PID的酥梨果园灌溉控制模型,以预测的土壤墒情偏差和土壤墒情偏差变化率为输入变量,计算出灌溉时长。实验结果表明,该灌溉控制方式比传统控制灌溉方式响应速度快、超调量小、控制效果好,模型在提高酥梨产量的同时,节水率可达12.77%,为酥梨智能节水灌溉提供了一条新的方法。(3)基于六域模型的酥梨果园物联网智能灌溉系统研发针对酥梨果园生产效率低和水资源浪费严重问题,基于物联网六域模型参考体系,在软硬件系统总体框架设计基础上,研发酥梨果园物联网专用智能感知、传输及控制设备,完成智能灌溉系统的开发和实地安装。同时,为了更好提升系统的实用性与可靠性,进一步开发服务器端上位机软件、网页端平台以及手机APP终端,实现了酥梨果园的智能节水灌溉,对提高水资源利用率、降低农业生产成本、实现精细农业具有重要意义。

酥梨果园物联网智能灌溉系统的设计与实现

化企电解设备电能监控和负荷预测算法研究

这是一篇关于电能监控,负荷预测,麻雀搜索算法,Elman神经网络的论文, 主要内容为我国政府在经济快速发展的背景下正逐步加大对能源的改革力度,力求实现经济的可持续发展。电力资源在国民的经济发展中有着重要作用,合理的节约电力资源保证了经济的可持续发展,此外,电力系统中短期负荷预测占据着重要的组成部分。作为耗电量大的化工企业,也越来越重视科学合理的用电管理,而电解设备因高耗能的特点在化工企业中的用电量占比很大。因此,研究化企电解设备的电能监控和负荷预测具有重要意义,一方面对其用电进行预测和管理,科学的制定产量计划,从而减少电能的消耗节约成本。另一方面如果发生故障,还能通过电能监控第一时间发现异常,确保企业及人员安全。本文设计了一套化企电解设备电能监控系统,包括设备电能信息采集硬件电路,对MCU及其外围电路进行设计。采用One NET云服务器平台完成数据的接收存储与转发,实现硬件与软件的互联互通。通过设计建立Lab VIEW上位机远程信息监控软件平台,实现用电信息的显示和查询,对企业设备用电行为进行准确理解,并能实现信息的传输与交互。依据化企电解设备电能监控系统的反馈情况,建立短期负荷预测模型。基于提高电解设备负荷预测精度的目的,本文提出基于改进型麻雀搜索算法优化的Elman神经网络预测方法。根据预测模型的逻辑结构,利用MATLAB 2016进行建模分析。通过仿真实验,得出改进后的优化模型既提高了预测精度,又加快了收敛速度,因此证明,本文提出的改进型麻雀搜索算法优化Elman神经网络的短期负荷预测模型效果更好。

电力现状评估与负荷预测研究

这是一篇关于云模型,LMDI,Mann-Kendall,时间序列,Elman神经网络的论文, 主要内容为电力状态评估和负荷预测是经济有效供电的条件。近年来,包头经济快速发展,电力发展面临着新的挑战。因此,本文针对包头市开展电力现状评估与负荷预测,以期为包头市合理利用电力能源提供科学依据。首先,利用云模型、内部结构和对数平均迪氏指数分解模型对电力现状进行评估。基于时间视角,云模型数字特征中的Ex指标表明,夏秋是包头市第一产业和乡村耗电量较高的季节,冬春是包头市第二产业、第三产业与城镇耗电量较高的时间段。而云分布表明,2015年第一产业、第二产业和乡村的电力消耗均较之2016年的更加不均匀和不稳定;而2015年第三产业和城镇的电力消耗的云分布均和2016年的比较相似,电力消耗均一且稳定。基于产业结构视角,内部结构中产业用电(涵盖了第一产业、第二产业、第三产业)消耗大于生活用电(涵盖了城镇、乡村),产业用电主要贡献者是第二产业,生活用电主要贡献者是城镇。对数平均迪氏指数分解模型分析表明,生产效应为正值,说明经济发展促进了产业电力消费,结构效益和强度效益为负值,表明产业结构变化和用电效率的提高减少了电力消费。其次,Mann-Kendall表明包头市电力消费总体是呈上升趋势。最后,利用时间序列和Elman神经网络进行了预测研究。预测了2017年包头市下半年电力负荷,时间序列和Elman神经网络的最优误差精度基本类似,但Elman神经网络对非线性电力系统的稳定性优于时间序列,而且Elman神经网络更充分地表达了非线性变化的电力系统特征。

钢铁企业高炉煤气产耗及柜位预测方法研究

这是一篇关于钢铁企业,高炉煤气,预测,XGBoost,Elman神经网络的论文, 主要内容为高炉煤气是高炉炼铁工序的副产品,是钢铁企业重要的二次能源。对高炉煤气产耗流量以及煤气柜柜位的准确预测,可以有效指导高炉煤气的调度和分配,提高煤气利用率,减小因煤气放散而导致的环境污染和资源浪费。本课题针对高炉煤气受入流量、消耗流量和煤气柜柜位的预测问题,进行了如下研究:首先,梳理了钢铁生产工艺流程,从高炉煤气系统中各类产耗单元和煤气柜的特性入手,深入分析了在正常生产场景和异常工况发生时,高炉煤气受入流量、消耗流量以及煤气柜柜位的特点和预测难点,为高炉煤气产耗及柜位预测模型的建立奠定了理论基础。其次,针对高炉煤气受入流量和消耗流量受生产工况影响较大,单一模型难以准确预测的问题,提出了一种基于特征聚类与XGBoost的高炉煤气产耗分类预测方法。首先,提取历史时序数据的统计特征和样本熵特征构造多维特征集;其次,综合自组织映射(SOM)神经网络和K-means算法的优点,提出一种SOM-K-means双重聚类方法对特征集进行聚类;然后,基于聚类结果,针对每一类别的样本训练XGBoost分类-回归预测模型;对于待预测数据,先使用XGBoost分类预测模型确定其所属类别,然后调用对应类别的XGBoost回归预测模型进行预测。实例仿真结果验证了本文所提方法对高炉煤气受入流量和消耗流量预测的准确性,4组测试样本的平均预测精度为93.45%。再次,针对高炉煤气柜柜位影响因素繁多且非平稳性明显的特点,提出了一种基于IJaya算法优化双重注意力Elman神经网络的高炉煤气柜柜位预测方法。使用特征和时间双重注意力机制动态挖掘各个时间步的各个特征对煤气柜柜位预测的重要程度,为不同时刻的各个输入特征动态分配注意力权重,进而构建双重注意力Elman神经网络预测模型;使用反向学习策略和步长因子非线性衰减策略对Jaya算法进行改进,并使用改进的Jaya算法(IJaya)对双重注意力Elman神经网络模型的初始权值、初始阈值以及初始注意力权重矩阵进行优化。实例仿真结果验证了所提方法对高炉煤气柜柜位预测的有效性,其5步、15步和30步预测的精度分别为97.6%、94.13%和90.51%。最后,基于上述研究开发了高炉煤气产耗及柜位预测系统。首先分析系统的实际需求,然后基于前后端分离的开发模式,利用React前端开发框架、Flask后端开发框架、DB2数据库以及PyTorch深度学习框架等工具开发了B/S架构的高炉煤气产耗及柜位预测系统,实现了信息管理、系统监测、煤气预测、模型在线更新等功能,为钢铁企业高炉煤气的优化调度提供参考。