指标，将能够令误差最小的扩展参数的值选出，并用在最后的网络预测中，而式可以作为网络训练的终止准则。可以看出，扩展参数的确定过程体现了对网络性能的验证过程。文中由于将预测的数据均标准化至,区间内，输入向量之间距离的最大及最小值分别为和，因此选择扩展参数由,并以步长为进行变化。采用进化优选算法选择中心把网络的结构设计问题归结为寻找最优选择路径问题，然后采用进化策略进行寻找，从而得到最优的数据中心及扩展系数。例如基于免疫算法的网络优化基于遗传算法的网络优化。下面以遗传算法为例介绍。遗传算法，是类借鉴生物界的进化规则适者生存，优胜劣汰遗传机制演化而来的种全局自适应优化概率搜索算法。遗传算法模拟自然选择和自然遗传过程中发生的繁殖交叉和基因突变现象，在每次迭代中都保留组候选解，并按照些指标从解群中选取较优的个体，利用遗传算子选择交叉和变异对这些个体进行组合，产生新代的候选解群，重复此过程，直到选出满足些收敛指标为止。用遗传算法优化平滑参数的步骤为定义规模为的初始种群根据缺交叉预测的方法，分别计算每个个体的适应度根据得到的适应度，保留若干个适应度大的优良个体④执行选择交换变异操作，生成新代种群判断是否满足终止条件，若是，求出最优解若否，返回至步骤。终止条件可以设置成连续进化几代后，最优值仍然保持不变，或已经达到最大进化代数。最终，经过遗传算法优化，得到最优值。图遗传算法的运算流程基于神经网络的风功率预测建模方法问题描述我国的风电开发已具有相当规模，为保证风电并网后电网安全可靠运行，电网企业作为风电的实际调度主体，熟悉大范围内风电运行特性，应充分发挥自身优势，参与风电功率预测系统的开发建设工作，不断完善风电功率预测系统的功能，并且根据我国实际特点，电网企业能够有条件制定适应我国风电开发特点的风电功率预测执行规范。风电场功率预测是指风电场经营企业根据气象条件统计规律等技术和手段，提前对定运行时间内风电场发电有功功率进行分析预报，向电网调度机构提交预报结果，提高风电场与电力系统协调运行的能力。根据电力调度部门安排运行方式的不同需求，风电功率预测分为日前预测和实时预测。日前预测是预测明日小时个时点每分钟个时点的风功率数值。实时预测是滚动地预测每个时点未来小时内的个时点每分钟个时点的风功率数值。按预测时间的不同又可分为长期预测中期预测短期预测超短期预测。其中超短期预测是提前几个小时或几十分钟预测。本例预测是根据从风电场获得的风电机组输出功率数据，运用神经网络对风功率进行超短期实时预测并检验预测结果。数据预处理合理性检验风电场输出功率值应均为正值，且不能大于总机组安装容量，故数值范围为单位为。在此数值要求情况下，对风电场输出功率数据进行适当修正。数据标准化在保证数据信息损失小的前提下，为减少网络的训练时间，利用最大最小标准化为数据进行归化，并对数值保留小数点后四位。归化计算公式为式中，和分别为校正风功率数据中的最大值和最小值，该公式将数据归化到，之间。转化矩阵形式对时间序列数据进行，这样会导致解线性方程组时出现奇异矩阵，导致解的结果不可靠，这种情况随着样本数的增加而更加明显。因此，这种方法适用于那些给定样本数据具有代表性的问题。而对于输入样本数据具有定冗余性的问题来说，这种方法就不太适用。为此，设计者可以考虑在样本密集的地方中心点可以适当多些，样本稀疏的地方中心点可以少些进步的方法是通过自组织的方法自动找到不同区域样本的代表向量。在这种方法中，旦中心点选定，就而已进步确定基函数的扩展系数。例如高斯函数的宽度可以取式中，是所选数据中心之间的最大距离，是数据中心的数目。自组织学习选取中心及网络设计中心通过自组织学习进行聚类，选取聚类中心作为中心，而输出层的权值可以通过解线性方程组，也可以通过有监督的学习规则计算。自组织学习的目的是使的中心位于样本空间的代表性区域。年，和提出种由两个阶段组成的混合学习过程的思路。第阶段为自组织学习阶段，目的是为隐藏层径向基函数的中心估计个合适的位置，可采用聚类算法确定合适的数据中心，并根据各中心之间的距离确定隐节点的扩展系数第二阶段为监督学习阶段，用有监督学习算法，如梯度法训练网络得出输出层的权值。虽然可以用批处理来执行上述两种学习阶段，但是用自适应迭代的方法更理想。对于自组织学习过程，我们需要个聚类的算法将所给的数据点剖几个不同的部分，每部分中的数据都尽量有相同性质。种这样的算法为均值聚类算法，他将径向基函数的中心放在输入空间中重要数据点所在的区域上。那么，数据中心的均值聚类算法的步骤如下初始化。选择个互不相同向量作为初始聚类中心，选择方法可以是随机选取。计算各样本点与聚类中心点的距离。相似匹配。将全部样本划分为个子集，每个子集构成个以聚类中心为典型代表的聚类域。更新各类的聚类中心。对各聚类域中的样本取均值表示聚类中心。令,转到第步，重复上述过程，对于均值聚类法，直到时停止训练。各聚类中心确定后，可根据各中心之间的距离确定对应径向基函数的扩展系数。，则扩展系数取，为重叠系数。混合学习过程的第二步是用有监督学习算法得到输出层的权值，常采用算法，下节中有所说明。有监督学习选取中心及网络设计关于数据中心的监督学习算法，最般的情况是对输出层各权向量赋小随机数并进行归化处理隐节点函数的中心，扩展系数和输出层权值均采用监督学习算法进行训练，所有参数都经历个误差修正学习过程。以单输出网络为例，采用梯度下降算法。定义目标函数为式中，为训练样本数，为输入第个样本时的误差信号。定义为，式中输出函数忽略了阈值。为使目标函数最小化，各参数修正量应与其负梯度成正比，经推到得计算式为隐单元中心调整函数宽度扩展系数调整输出单元的权值更新上述目标函数是所有训练样本引起的误差的总和，导出的参数修正公式是种批处理式调整。其他方法试验法令扩展参数以增量在定范围,内递增变化，在学习样本中，采用的数据作为训练样本数据，对网络进行训练。然后用训练出的网络对另外为检验样本数据进行预测，最后得出预测值与样本之间的误差矩阵，用式作为评价网络性能的截断证定精度的条件下，模型参数的经验公式将的值作为唯的变量。混合动力电动大客车上选用的电池是武汉银泰科技股份有限公司的高能水平阀控密封铅酸蓄电池试验温度，试验结果如下图铅酸蓄电池端电压与蓄电池荷电状态的关系电池的端电压随着的减小，端电压的变化存在着两端较陡中间平缓的特点如图所示。把作为的单变量，采用分阶段函数，按照下式计算当小于等于小于等于时当小于等于小于当蓄电池内阻充放电时表示如下用上式计算的值与测试值的比较如图所示。图蓄电池内阻测试值与计算值比较分析图蓄电池的极化时间常数实验表明，在充放电初期，极化电压的时间常数约为在充放电结束后的恢复期，时间常数约为。般认为，经过三个时间常数后过渡过程才算完成。为了保证蓄电池寿命，通常要求蓄电池放电时的放电深度不太大。经过试验验证可以知道，混合动力电动汽车上蓄电池理想的工作区域是蓄电池荷电状态介于之间。因此，我们应尽量使蓄电池的在的范围内，使蓄电池采用浅充浅放的工作方式，从而延长蓄电池的使用寿命，大大降低了蓄电池维护成本。我们在上章的混合动力电动汽车多能源控制系统控制策略节里也谈到的适用范围问题，通过在。和。这两个点来用控制系统调控蓄电池管理子系统，采取相应措施，使其工作在合适的工作范围中。因此，在我们感兴趣的区域内，用以上数学模型来计算蓄电池在充放电变工况下的特性是真实可行的。通过建立的上述数学模型可以基本满足混合动力电动汽车多能源控制系统中蓄电池管理子系统中对蓄电池荷电状态的要求，具有实用性。在本设计中用来采集太阳能电池板和蓄电池两端的电压，之后用上述方法计算出太阳能电池在当时光照条件下产生的电量和蓄电池当前状态下的剩余电量从而解决了在电压微笑变化的情况下测出剩余电量的问题，可以实时的知道当前的太阳能电池和蓄电池的工作状态进步可计算蓄电池剩余电量可供汽车正常行驶的时间。对采集到的信号进行衰减以使其满足转换的要求转换模块在本设计中转换芯片有两片，其连接方式采用并联的形式。是为输出的转换芯片，其工作电压为，模拟输入为，输出为，可通过上式求出当前待测电压值。然后用的方法求出当前蓄电池的剩余电量。其电路设计图如下图所示。图引脚设计图其芯片各个引脚说明如下待测电压输入端待测电压转换后的数字量输出端，其为为输出，将其送入主控制器进行数据的处理芯片工作电压输入端。片选使能，低电平芯片使能。芯片参考电位地。芯片时钟输入。读写使能芯片中断控制端口。存储模块模块存储器是种可在系统进行电擦写掉电后信息不丢失的存储器，它具有低功耗大容量擦写速度快可整片或分扇区在系统编程等特点。因为存储在中的数据在系统掉电后会丢失，所以就需要将系统的软件存储在个非易失性的存储设备上，作为处理器与控制面板的存储器，因此，在进行系统的设计时，就将系统的软件存储到中，每次开机后，系统从中开始读取数据，进行整个数据采集系统的操作。目前已逐步取代其它半导体存储元件，成为嵌入式系统中主要数据和程序载体。嵌入式系统中常用的主要为和两种类型。因为在上指标，将能够令误差最小的扩展参数的值选出，并用在最后的网络预测中，而式可以作为网络训练的终止准则。可以看出，扩展参数的确定过程体现了对网络性能的验证过程。文中由于将预测的数据均标准化至,区间内，输入向量之间距离的最大及最小值分别为和，因此选择扩展参数由,并以步长为进行变化。采用进化优选算法选择中心把网络的结构设计问题归结为寻找最优选择路径问题，然后采用进化策略进行寻找，从而得到最优的数据中心及扩展系数。例如基于免疫算法的网络优化基于遗传算法的网络优化。下面以遗传算法为例介绍。遗传算法，是类借鉴生物界的进化规则适者生存，优胜劣汰遗传机制演化而来的种全局自适应优化概率搜索算法。遗传算法模拟自然选择和自然遗传过程中发生的繁殖交叉和基因突变现象，在每次迭代中都保留组候选解，并按照些指标从解群中选取较优的个体，利用遗传算子选择交叉和变异对这些个体进行组合，产生新代的候选解群，重复此过程，直到选出满足些收敛指标为止。用遗传算法优化平滑参数的步骤为定义规模为的初始种群根据缺交叉预测的方法，分别计算每个个体的适应度根据得到的适应度，保留若干个适应度大的优良个体④执行选择交换变异操作，生成新代种群判断是否满足终止条件，若是，求出最优解若否，返回至步骤。终止条件可以设置成连续进化几代后，最优值仍然保持不变，或已经达到最大进化代数。最终，经过遗传算法优化，得到最优值。图遗传算法的运算流程基于神经网络的风功率预测建模方法问题描述我国的风电开发已具有相当规模，为保证风电并网后电网安全可靠运行，电网企业作为风电的实际调度主体，熟悉大范围内风电运行特性，应充分发挥自身优势，参与风电功率预测系统的开发建设工作，不断完善风电功率预测系统的功能，并且根据我国实际特点，电网企业能够有条件制定适应我国风电开发特点的风电功率预测执行规范。风电场功率预测是指风电场经营企业根据气象条件统计规律等技术和手段，提前对定运行时间内风电场发电有功功率进行分析预报，向电网调度机构提交预报结果，提高风电场与电力系统协调运行的能力。根据电力调度部门安排运行方式的不同需求，风电功率预测分为日前预测和实时预测。日前预测是预测明日小时个时点每分钟个时点的风功率数值。实时预测是滚动地预测每个时点未来小时内的个时点每分钟个时点的风功率数值。按预测时间的不同又可分为长期预测中期预测短期预测超短期预测。其中超短期预测是提前几个小时或几十分钟预测。本例预测是根据从风电场获得的风电机组输出功率数据，运用神经网络对风功率进行超短期实时预测并检验预测结果。数据预处理合理性检验风电场输出功率值应均为正值，且不能大于总机组安装容量，故数值范围为单位为。在此数值要求情况下，对风电场输出功率数据进行适当修正。数据标准化在保证数据信息损失小的前提下，为减少网络的训练时间，利用最大最小标准化为数据进行归化，并对数值保留小数点后四位。归化计算公式为式中，和分别为校正风功率数据中的最大值和最小值，该公式将数据归化到，之间。转化矩阵形式对时间序列数据进