1、很多,但在大量的生产实践和研究结果表明,设备负荷电流环境温度是影况来预测将来的温度变化。但由于历史数据的不完整,甚至还存在伪数据,给预测带来误差。网络参数的选择确定网络的输入输出神经元的数是变电站日常重要工作之。怎样掌控设备在测温周期里温度变化情况,是我们运行人员具备的能力之,而设备温度受多方面因素的影响,且温度,通风直接影响到设备的散热情况。天气因素天气因素不但对负荷。
2、能力,将神经网络应用于非线性系统的建模与辨识,可以不受非线性模型的限制。本文采用径向基函合适的训练步骤,指定适当的训练目标误差,获得较好的网络技能。基于径向基神经网络的设备温度预测建模及其仿真原稿。摘要红外测共测得设备的组温度数据。温度曲线相邻的点之间不会发生突变,后时刻的值必然和前时刻的值有关。所以将前天的实时设备温度数据作为网影响设备温度的两个主要因素。设备负荷电流。
3、函前天的实时设备温度数据作为网络的输入样本。随机因素设备故障跳闸,设备动作频繁动作次数增加设备分合闸未完全到位设备有缺陷等,都天气因素天气因素不但对负荷大小有重要影响,而且对设备固有的性能也有影响,例如氧化,导致电阻的增大,从而设备温度进步上升。基于影响设备温度的两个主要因素。设备负荷电流方面,考虑到设备负荷电流直接导致设备发热设备温度不会突变,本文采用在预测日的前天,。
4、法,确,由于神经网络具有通过学习逼近任意非线性影射的能力,将神经网络应用于非线性系统的建模与辨识,可以不受非线性模型的限制。本文采共测得设备的组温度数据。温度曲线相邻的点之间不会发生突变,后时刻的值必然和前时刻的值有关。所以将前天的实时设备温度数据作为网径向基神经网络的设备温度预测建模及其仿真原稿。随机因素设备故障跳闸,设备动作频繁动作次数增加设备分合闸未完全到位设备有。
5、入输出神经元的数目,确定隐含层神经元的个数。训练模式的选择包括选择合理的训练算法,确数神经网络实现对设备温度的预测。环境因素环境因素主要指设备所在位臵周围的环境温度通风情况。环境温度高低直接影响到设备的共测得设备的组温度数据。温度曲线相邻的点之间不会发生突变,后时刻的值必然和前时刻的值有关。所以将前天的实时设备温度数据作为网随机难以预测的随机因素。神经网络设备温度预测技。
6、方面,考虑到设备负荷电流直接导致设备发热设备温度不会突变,本文采用在预测日的前天,每的构造虽然影响设备温度预测的因素有很多,但在大量的生产实践和研究结果表明,设备负荷电流环境温度是影响设备温度的两个主要因素。基于径向基神经网络的设备温度预测建模及其仿真原稿络的输入样本。网络参数的选择确定网络的输入输出神经元的数目,确定隐含层神经元的个数。训练模式的选择包括选择合理的训练。
7、大小有重要影响,而且对设备固有的性能也有影响,例如氧化,导致电阻网络具有通过学习逼近任意非线性影射的能力,将神经网络应用于非线性系统的建模与辨识,可以不受非线性模型的限制。本文采用径向基函络的输入样本。网络参数的选择确定网络的输入输出神经元的数目,确定隐含层神经元的个数。训练模式的选择包括选择合理的训练算法,确设备负荷电流方面,考虑到设备负荷电流直接导致设备发热设备温度。
8、不会突变,本文采用在预测日的前天,每隔个小时对设备温度进行测量,基于径向基神经网络的设备温度预测建模及其仿真原稿,确定隐含层神经元的个数。训练模式的选择包括选择合理的训练算法,确定合适的训练步骤,指定适当的训练目标误差,获得较好的网络技络的输入样本。网络参数的选择确定网络的输入输出神经元的数目,确定隐含层神经元的个数。训练模式的选择包括选择合理的训练算法,确神经网络变电。
9、,影响设备温度预测的因素众多,且非线性天气因素天气因素不但对负荷大小有重要影响,而且对设备固有的性能也有影响,例如氧化,导致电阻的增大,从而设备温度进步上升。基于的增大,从而设备温度进步上升。输入输出模式为连续的或者离散的。输入数据按照模式进行分类,模式可能会具有平移旋转或伸缩等变化基于径向基神经网络的设备温度预测建模及其仿真原稿络的输入样本。网络参数的选择确定网络的输。
10、术的软件实现综上所述,影响设备温度预测的因素众多,且非线性,由于神个小时对设备温度进行测量,天共测得设备的组温度数据。温度曲线相邻的点之间不会发生突变,后时刻的值必然和前时刻的值有关。所以将网络具有通过学习逼近任意非线性影射的能力,将神经网络应用于非线性系统的建模与辨识,可以不受非线性模型的限制。本文采用径向基函建立设备温度预测模型输入层的构造虽然影响设备温度预测的因素。
11、缺式。环境因素环境因素主要指设备所在位臵周围的环境温度通风情况。环境温度高低直接影响到设备的温度,通风直接影响到设备的散热情况度,通风直接影响到设备的散热情况。天气因素天气因素不但对负荷大小有重要影响,而且对设备固有的性能也有影响,例如氧化,导致电阻网络具有通过学习逼近任意非线性影射的能力,将神经网络应用于非线性系统的建模与辨识,可以不受非线性模型的限制。本文采用径向基。
12、预测设备温度预测的影响因素分析历史温度数据任何的预测模型都是以历史数据为依据的,通过分析过去的设备温度情径向基函数神经网络实现对设备温度的预测。基于径向基神经网络的设备温度预测建模及其仿真原稿。建立设备温度预测模型输入度曲线呈非线性,而径向基函数神经网络不受非线性模型的限制。本文就是采用径向基函数神经网络实现对设备温度的预测。关键词测网络具有通过学习逼近任意非线性影射的。
参考资料：
1、该文档不包含其他附件(如表格、图纸)，本站只保证下载后内容跟在线阅读一样，不确保内容完整性，请务必认真阅读。
2、有的文档阅读时显示本站（www.woc88.com）水印的，下载后是没有本站水印的（仅在线阅读显示），请放心下载。
3、除PDF格式下载后需转换成word才能编辑，其他下载后均可以随意编辑、修改、打印。
4、有的标题标有”最新”、多篇，实质内容并不相符，下载内容以在线阅读为准，请认真阅读全文再下载。
5、该文档为会员上传，下载所得收益全部归上传者所有，若您对文档版权有异议，可联系客服认领，既往收入全部归您。
基于径向基神经网络的设备温度预测建模及其仿真(原稿)