基于改进RBF神经网络模型的SOFC性能预测方法.pdf
《基于改进RBF神经网络模型的SOFC性能预测方法.pdf》由会员分享,可在线阅读,更多相关《基于改进RBF神经网络模型的SOFC性能预测方法.pdf(6页珍藏版)》请在咨信网上搜索。
1、第 卷第期年月计算技术与自动化C o m p u t i n gT e c h n o l o g ya n dA u t o m a t i o nV o l ,N o J u n 收稿日期:作者简介:余可春(),男,江西南昌人,本科,副教授,研究方向:神经网络,高等教育学.通信联系人,E m a i l:r o n g y i r y c o m文章编号:()D O I:/j c n k i j s j s y z d h 基于改进R B F神经网络模型的S O F C性能预测方法余可春(惠州城市职业学院 信息学院,广东 惠州 )摘要:固体氧化物燃料电池(S O F C)测试存在费用高、实
2、施困难以及耗时长等问题,因此,提出了一种基于径向基(r a d i a l b a s i s f u n c t i o n,R B F)神经网络的S O F C建模方法.首先采用数据驱动的方式利用R B F神经网络模型对电池中阳极、阴极、电解质厚度等微观结构对S O F C性能的影响进行分析,然后针对R B F神经网络模型参数选取困难、易陷入局部极值的问题,提出一种改进果蝇算法(i m p r o v e df r u i t f l yo p t i m i z a t i o na l g o r i t h m,I F OA)对其进行优化,自动确定模型参数的同时确保其收敛于全局最优解
3、.仿真结果表明,所提方法能够准确描述微观结构变化对S O F C性能的影响,相对于支撑向量机(s u p p o r tv e c t o rm a c h i n e,S VM)模型能够获得更高的预测精度.关键词:固体氧化物燃料电池;性能预测模型;微观结构;径向基神经网络;改进果蝇算法中图分类号:T G 文献标识码:AP e r f o r m a n c eP r e d i c t i o nM e t h o do fS O F CB a s e do nI m p r o v e dR B FN e u r a lN e t w o r kM o d e lYU K e c h u
4、n(S c h o o l o f I n f o r m a t i o n,C i t yC o l l e g eo fH u i z h o u,H u i z h o u,G u a n g d o n g ,C h i n a)A b s t r a c t:T h e r ea r es o m ep r o b l e m s i nt h e t e s t a n de x p e r i m e n t o f s o l i do x i d e f u e l c e l l(S O F C),s u c ha sh i g hc o s t,d i f f i c
5、u l t i m p l e m e n t a t i o na n dl o n gt i m e c o n s u m i n g F i r s t l y,r a d i a lb a s i sf u n c t i o n(R B F)n e u r a ln e t w o r km o d e l i su s e dt oa n a l y z et h e i n f l u e n c eo fm i c r o s t r u c t u r es u c ha sa n o d e,c a t h o d ea n de l e c t r o l y t e
6、t h i c k n e s so nS O F Cp e r f o r m a n c eb yd a t a d r i v e nm e t h o d T h e n,a n i m p r o v e d f r u i t f l yo p t i m i z a t i o na l g o r i t h m(I F OA)i sp r o p o s e dt os o l v e t h ep r o b l e mt h a t t h ep a r a m e t e r so fR B Fn e u r a l n e t w o r km o d e l a r
7、 ed i f f i c u l t t os e l e c t a n de a s y t o f a l l i n t o l o c a l e x t r e m e I F OAi su s e d t oo p t i m i z e t h em o d e l,a u t o m a t i c a l l yd e t e r m i n e t h em o d e l p a r a m e t e r s a n de n s u r e t h a t i t c o n v e r g e s t o t h eg l o b a l o p t i m a
8、 l s o l u t i o n T h e s i m u l a t i o nr e s u l t s s h o wt h a t t h ep r o p o s e dm e t h o dc a na c c u r a t e l yd e s c r i b e t h ee f f e c t o fm i c r o s t r u c t u r ec h a n g e so nS O F Cp e r f o r m a n c e,a n dc a no b t a i nh i g h e rp r e d i c t i o na c c u r a c
9、 yt h a ns u p p o r tv e c t o rm a c h i n e(S VM)m o d e l K e yw o r d s:s o l i do x i d e f u e l c e l l;p e r f o r m a n c ep r e d i c t i o nm o d e l;m i c r o s t r u c t u r e;r a d i a lb a s i sf u n c t i o nn e u r a ln e t w o r k;i m p r o v e df r u i t f l yo p t i m i z a t i
10、o na l g o r i t h m固体氧化物燃料电池(s o l i do x i d ef u e lC e l l,S O F C)是一种采用氧化还原反应将燃料中储存的化学能直接转换为电能的电化学装置,由于这一转换过程不需要燃烧和机械运动,因此具备转换效率高、污染率低和无噪声等优点,是一种真正的“清洁能源”.不同于质子交换膜燃料电池(p r o t o n 第 卷第期余可春:基于改进R B F神经网络模型的S O F C性能预测方法e x c h a n g em e m b r a n e f u e lc e l l)和直接甲醇燃料电池(d i r e c tm e t h a
11、n o l f u e lc e l l),S O F C除了可以使用H外,还可以使用C O、天然气等不同种类的燃料,具有更广的燃料适用范围,因此在分散式区域供电、大规模集中供电等各个领域都具备较好的发展前景.相关研究表明,S O F C的性能受其电极和电解质厚度等微观结构影响较大,而S O F C通常工作于封闭、复杂的高温环境()中,对其微观结构进行局部测试和分析需要消耗大量的人力、物力和时间成本,因此对S O F C进行精确的数学建模进而基于模型对影响S O F C性能的因素进行分析预测成为了当前的研究热点.目前常用的方法有基于物理模型的间接法和基于统计模型的直接法,其中基于物理模型的间接
12、法通常是采用N e r n s tE q u a t i o n或B u t l e rV o l m e r方程等理论对S O F C化学能向电能转换过程中的各个物理环节进行建模,该类方法的有效性与模型精度成正比,然而S O F C化学能向电能转换过程中涉及的环节较多,物理过程复杂,难以利用统一的数学方法进行精确建模,因此该类方法距离推广应用还存在一定差距,;基于统计模型的直接法是随着模式识别和机器学习理论的发展而兴起的一种新的数据驱动方法,该类方法不需要事先构建精度的数学模型,而是通过对历史数据进行分析,进而利用支撑向量机(S VM)、马尔科夫链和人工神经网络(a r t i f i c
13、i a l n e u r a l n e t w o r k,ANN)等学习模型自动挖掘数据中隐含的输入/输出之间的映射关系,一经提出便引起了广大学者的关注.文献 利用支撑向量机(S VM)对S O F C电池堆构建非线性模型,对S O F C的性能预测和控制方案进行研究,并取得了较好的效果;文献 利用ANN对S O F C的电流密度、温度与输出电压之间的关系进行建模,并利用仿真数据验证了模型的有效性;文献 将氢气流量作为变量进行研究,利用ANN模型对氢气流量和输出电压之间的关系进行建模,并采用粒子群算法优化对ANN进行优化从而提升模型性能.当前研究主要侧重于电流密度、温度和空气流量等因素对
14、S O F C输出电压的影响,除此之外,S O F C的输出电压还受电池中各种电阻的影响,而电阻又受S O F C阳极厚度、阴极厚度和电解质厚度等微观结构的影响,因此本文在上述研究的基础上,利用径向基(r a d i a lb a s i sf u n c t i o n,R B F)神经网络对S O F C微观结构与输出电压之间的复杂非线性关系进行建模,同时针对R B F模型参数设置困难、易陷入局部极值的问题,提出一种改进果蝇算法(i m p r o v e df r u i tf l yo p t i m i z a t i o na l g o r i t h m,I F OA)对其进行
15、优化,最后利用仿真数据开展试验,结果表明所提方法相对于传统S VM模型的预测精度提升超过,能够用于对S O F C微观结构进行优化的研究工作.理论模型 R B F神经网络模型人工神经网络(ANN)是对人脑神经系统信息处理方式进行抽象而得出的一种具备并行计算和非线性变换能力的复杂运算模型,由大量节点(神经元)按照不同方式相互连接构成,作为一种典型的多输入多输出系统,结合其较强的自适应学习能力,ANN理论上能以任意精度逼近于任意复杂非线性系统.前向反馈(b a c kp r o p a g a t i o n,B P)神经网络和径向基(r a d i c a lb a s i sf u n c t
16、 i o n,R B F)神经网络是当前技术最成熟、应用最广泛的两种ANN模型,其中B P神经网络又可以看作是R B F神经网络的一种特殊形式.因此本文选取R B F神经网络对S O F C微观结构与输出电压之间的复杂非线性关系进行建模.典型的R B F神经网络结构由输入层、隐含层和输出层构成,其中相邻两层之间的节点通过权值实现全连接,相同层之内的节点不连接,如图所示.输入层节点通常由待描述问题的信号源节点构成,R B F网络利用径向基函数将输入层节点映射到隐含层,作为一种非线性变换,R B F能够将低维空间中可分性较差的输入信号转换为高维空间(隐含层)的线性可分问题,隐含层节点的数量通常根据
17、待描述问题的具体情况设置;利用权向量对隐含层节点进行线性加权,最终得到网络输出层.图B F神经网络模型结构计算技术与自动化 年月典型的R B F神经网络学习过程可以总结为以下个步骤:步骤:初始化网络模型.根据所要描述的问题确定网络输入层节点x、输出层节点y和隐含层节点c;步骤:根据式()所示高斯径向基函数实现输入层向隐含层的映射:ze x p xc()其中,为高斯核参数.步骤:根据式(),利用权值向量w对中间层输出节点进行线性叠加得到输出值:ywTz()步骤:定义网络输出值与期望值之间的均方误差作为目标函数:eEyy()()其中,y为期望输出值;E()为对括号内变量求期望运算.步骤:根据式()
18、所示梯度下降法对目标函数进行求解,直至得到最优解:cimjwi jipkekR(xk)(xkci)imjwi jipkekR(xk)(xkci)wi jpkekR(xk)()其中,R()为高斯核函数;、分别为对应参数的学习率.从上述介绍可知,R B F神经网络模型涉及的参数包括输入层节点数;隐含层节点Q;输出层节点数、高斯核参数以及权值w等,其中输入层、中间层和输出层节点数通常根据所要描述的具体问题确定,而高斯核参数和权值w的选取对模型性能影响较大,设置不当会导致模型收敛于局部极值点而非全局最优点.目前常用的经验试凑法存在主观性强且运算量大的问题,因此需要一种自适应参数设置方法对R B F模型
19、进行优化,自动选取最优参数以确保网络收敛于全局最优解.改进果蝇算法果蝇 优 化 算 法(f r u i tf l yo p t i m i z a t i o na l g o r i t h m,F OA)是对自然界中果蝇觅食行为进行抽象而得到的一种新的集群智能优化算法.果蝇采取群体协作、信息共享的方式进行觅食.首先利用敏锐的嗅觉器官搜集飘浮在空气中的各种气味,从而判断出食物源的大致方位以及当前距离食物源最近果蝇个体的位置坐标,然后飞到食物源附近后利用视觉器官发现食物和同伴的聚集位置,通过嗅觉和视觉的相互配合,果蝇群体会逐渐向味道密度大的食物所在区域聚集,从而实现对整个空域的全局寻优.F O
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 RBF 神经网络 模型 SOFC 性能 预测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。