基于优化广义回归神经网络的碟式太阳能温度预测研究
发布时间:2024-01-31 06:19
为了解决用传统数学模型预测碟式太阳能集热器出口温度过于复杂的问题,采用广义回归神经网络算法对太阳能集热器出口温度进行预测,引入交叉验证算法对神经网络模型进行优化,进一步提升预测的准确性,通过Matlab软件建立基于优化广义回归神经网络的蝶式太阳能出口气温预测模型.根据碟式太阳能光热系统试验平台的试验数据对所建立的模型进行了测试,预测结果符合预期,这表明优化后的广义回归神经网络能够实现对蝶式太阳能集热器出口气温的有效预测.该模型具有一定的应用前景,为预测模型研究提供了一个新的思路.
【文章页数】:5 页
【部分图文】:
本文编号:3891115
【文章页数】:5 页
【部分图文】:
图1广义回归网络结构
广义回归神经网络属于一种前馈式的径向基神经网络模型,该理论由DonaldF.Specht在1991年提出,其网络结构模型如图1所示.从图1中可以看出,广义回归神经网络的结构与径向基神经网络相似,主要由输入层、隐含层、线性层、输出层组成.
图3光滑因子与平均百分比误差的关系
通过交叉验证算法,求得不同光滑因子取值下GRNN预测模型的平均百分比误差、均方根误差与光滑因子的关系,结果见图3和图4.从图3、图4中可以看出,平均百分比误差和均方根误差随着光滑因子的变化趋势相似,均在σ=0.09时取得最小值,即该GRNN神经网络模型的最优光滑因子为0.09,此....
图4光滑因子与均方根误差的关系
图3光滑因子与平均百分比误差的关系表2优化后的GRNN模型指标样本实测值/℃预测值/℃百分比误差/%1260.87273.57574.8712315.21324.22652.8613357.81369.50203.268????....
图5预测误差分布图
为了更直观地看出预测误差的分布情况,绘制了预测误差分布图,如图5所示.从图5中可以看出,该模型的预测误差多集中在±2%~4%,只有部分样本的预测误差达到6%,该结果符合预期,具有一定的应用前景.2.4数据对比
本文编号:3891115
本文链接:https://www.wllwen.com/projectlw/xnylw/3891115.html