基于PCA - GRNN模型的新能源汽车月度销售量预测研究

为预测新能源汽车的月度销售量,提出了一种基于主成分分析(PCA)和广义回归神经网络(GRNN)相结合的预测模型——PCA - GRNN模型.首先,选取动力电池月份装车量、充电基础设施、电池级碳酸锂平均价格、交通和通信类居民消费价格指数、全国城镇调查失业率、汽车制造业工业生产者出厂价格指数等6个指标作为新能源汽车月度销售量的影响因子; 其次,利用主成分分析方法得到可代表6个影响因子的2个主成分,并利用Matlab神经网络工具箱的GRNN神经网络函数构建了广义回归神经网络模型; 最后,将2020—2022年间27个月度的统计数据分别输入到PCA - GRNN、PCA - BP和PCA - Elman模型中进行预测.结果显示, PCA - GRNN模型预测的新能源汽车月度销售量的平均相对误差(4.00%)低于PCA - BP模型和PCA - Elman模型预测的平均相对误差(分别为4.77%和4.29%),因此PCA - GRNN模型在预测新能源汽车销售量方面具有一定的实用性.     

通用回归神经网络及其用于渣油裂解建模

为建立准确的渣油裂解装置经验模型,采用了一种特殊的径向基函数网络--通用回归神经网络(general regression neural network, GRNN).GRNN具有明确的概率意义,结构和连接权均完全确定,克服了一般径向基网(RBFN)设计和训练上的困难.在分析了平滑因子对GRNN性能的影响后,设计了改进的进化规划算法(MEP)以优选平滑因子,并建立MEP-GRNN模型.该模型用于渣油裂解建模时,其预报精度和稳定性比RBF-PLS等方法均有所提高,表现了MEP-GRNN为非线性过程建模的优势.     

空调系统运行负荷GRNN预测模型的应用研究

以2座五星级酒店为研究对象,通过实测数据分析了运行负荷的主要影响因素,确定冷冻水温度对运行负荷的影响作用,将其引入到空调系统运行负荷的预测研究中.应用广义回归神经网络(GRNN)理论,建立了一种动态多点输出负荷模型,提出了5种输入方案,使用2座酒店的实际数据集分别进行验证.研究结果表明:冷冻水温度对实际运行负荷的预测精度有重要影响,可显著提高GRNN负荷模型的预测准确性,以前1日24 h历史负荷、预测日天气预报以及冷冻水设定温度为输入、以预测日24 h逐时负荷为输出的GRNN负荷模型,建模简单,预测性能较好,适用于实际工程应用.     

面向动作层的三维质量屋优化模型

为解决数控机床多关键质量特性的复杂控制问题,以元动作理论为基础,对传统的二维质量屋(House of Quality,HOQ)进行拓展,建立一种基于影响因素维、元动作单元维以及关键质量特性维的三维质量屋(Three-dimensional House of Quality,THOQ)优化模型.采用蚁群聚类算法(Ant Colony Clustering Algorithms,ACCA)对动作层关键质量特性的影响因素进行筛选,并结合证据推理递归理论(Evidence Reasoning Recursive Theory,ERRT)建立了影响因素自相关矩阵、各个元动作单元关键质量特性与影响因素之间的关联矩阵和元动作单元性能耦合矩阵,基于质量控制成本约束和开发时间约束建立以关键质量特性波动度为目标函数的优化模型,优化得到影响因素的最优值,使动作层关键质量特性波动值最小.以某数控机床的分度转台运动为例进行优化,并通过实验对比验证了该模型的合理性和有效性.     

广义回归神经网络在煤灰熔点预测中的应用

为了提高估算煤灰熔点的精度,采用广义回归神经网络(GRNN)对求解煤灰熔点问题进行了建模.将煤灰组分作为网络输入,煤灰软化温度作为网络输出,采用实验数据训练网络,训练完成的网络作为模型预测煤灰熔点.仿真结果表明,GRNN的预测值与实验值的最大相对误差为2.81%,而反向传播神经网络(BPNN)预测煤灰熔点的相对误差为3.62%.由于GRNN可应用于小样本问题的学习,GRNN比BPNN对煤灰熔点具有更好的预测和泛化能力.GRNN具有设计简单与收敛快的优点,并提高了实时处理与反映最新运行工况参数的预测能力.     

碳中和目标情景下中国燃料电池车总拥有成本研究

以碳中和目标为情景,建立燃料电池车总拥有成本(Total Cost of Ownership, TCO)计算模型;应用学习曲线理论预测构成燃料电池车的关键部件的成本变化趋势;讨论当下主流制氢技术路径的未来制氢成本;通过TCO反映我国燃料电池车未来成本趋势、竞争力及关键影响因素.     

Electricity price forecasting using generalized regression neural network based on principal components analysis

A combined model based on principal components analysis (PCA) and generalized regression neural network (GRNN) was adopted to forecast electricity price in day-ahead electricity market. PCA was applied to mine the main influence on day-ahead price, avoiding the strong correlation between the input factors that might influence electricity price, such as the load of the forecasting hour, other history loads and prices, weather and temperature; then GRNN was employed to forecast electricity price according to the main information extracted by PCA. To prove the efficiency of the combined model, a case from PJM (Pennsylvania-New Jersey-Maryland) day-ahead electricity market was evaluated. Compared to back-propagation (BP) neural network and standard GRNN, the combined method reduces the mean absolute percentage error about 3%.     

联合鲸鱼算法和遗传算法优化GRNN预测斜拉索覆冰厚度

为了预测冬季易结冰区斜拉索覆冰的增长,运用灰色关联分析方法分析斜拉索倾角、温度、湿度、风速、降雨量及气压对斜拉索覆冰厚度的关联影响,明确各影响因素的相关性大小,剔除弱相关性因素;联合遗传算法（GA）和鲸鱼算法（WOA）选择最优光滑因子,提出一种WOA-GA算法优化广义回归神经网络（GRNN）的斜拉索覆冰厚度预测方法。其特点是：以输出值与实际值均方差作为适应度函数,计算每个粒子的适应度值;将GA算法的交叉和变异算子引入WOA算法,同时借助权重更新策略,提升全局寻优的能力,避免WOA算法陷入局部最优解;最后,经过迭代寻优,输出最小适应度值对应的光滑因子,构建GRNN预测模型。结果表明：环境温度相关性最高,其次是倾角、降水量、风速、相对湿度,气压关联度最小,呈弱相关性;相比于传统的GRNN、WOA-GRNN、PSO-GA-GRNN模型,联合鲸鱼算法和遗传算法优化的GRNN覆冰预测模型精度较高,其平均绝对误差百分比仅为3.58%,均方根误差为0.58 mm;采用敏感性分析法评价影响因素对模型精度的影响,发现温度对模型影响程度最大,其次是拉索倾角。     

应用GRNN模型对给水管网水质的综合评价

给水管网水质是多种污染因子的综合作用结果。为克服水质综合评价过程中的随机性与评价专家主观上的不确定性,利用神经网络的非线性和良好的函数逼近特性,建立了给水管网水质评价的广义回归神经网络(GRNN)模型。该模型具有网络结构自适应确定及输出与初始权值无关等优良特性。通过对在水质评价各等级间随机内插足够数量的训练样本的训练,确定合适的光滑因子。通过实例验证了模型评价结果与实际情况的一致性,为给水管网水质的评价提供了一种新方法.     

应用动态泛回归神经网络的在线负荷预测

电力系统负荷变化受多方面因素的影响,因此负荷曲线呈现出强烈的非线性.为实现非线性的电力负荷在线预测,应用递推更新的样本数据集训练泛回归神经网络,构成动态泛回归神经网络.该动态神经网络训练方便快捷,能够满足在线预测的实时性的要求.仿真表明预测值较观测值有一定滞后,但均能尾随观测值而变化,达到了预期的目的.     

小扰动特征分析法在电压稳定分析中的应用

小扰动特征分析法是严格的李亚普诺夫意义的稳定分析,已经被广泛应用于系统低频振荡功角稳定问题的研究。针对系统电压失稳的模式与特征建立了适合开展电压稳定问题研究的小扰动电压稳定分析模型。提出应用同伦函数对小扰动分析中状态变量与特征值之间的对应关系进行判别,然后应用分叉理论引入分叉参数深入分析计及感应电动机负荷情况下的小扰动电压失稳模式。将该方法应用于对实例系统的分析,精确地找到了系统失稳临界点处影响系统稳定性的关键因素以及系统可能发生的失稳模式。     

基于统计理论的负荷特性分析及其预测

电力负荷受气象因素影响越来越大,如何准确确定气象因素是负荷预测研究的重要课题.首先采用统计学方法对影响负荷的气象因素进行分析,找到影响负荷的核心气象因索,再利用GRNN回归神经网络进行预测.经实际系统检验,证明该方法克服了传统气象负荷预测中的主观性,将气象影响因素过程量化,提高了预测结果的精度,是一种适用性很强的方法.     

硫酸盐法制浆蒸煮终点预测模型

为了实现制浆蒸煮终点的精确预测，建立了基于广义回归神经网络（GRNN）的预测模型．GRNN具有很强的非线性映射能力，能够根据样本数据逼近自变量与因变量之间隐含的关系，平滑参数的确定是GRNN训练的实质和难点．均衡地兼顾GRNN模型的预测性能与训练可行性，提出了一种平滑参数优化方法．通过分析训练样本分布、恰当地设计适应度函数，运用优进遗传算法（EGA）实现参数寻优．通过实验表明，所建立的制浆蒸煮终点预测模型，预测精度高、稳定性能好．     

Over-excavation forecast of underground opening by using Bayes discriminant analysis method

A method to forecast the over-excavation of underground opening by using the Bayes discriminant analysis(BDA) theory was presented. The Bayes discriminant analysis theory was introduced. Based on an engineering example, the factors influencing the over-excavation of underground opening were taken into account to build a forecast BDA model, and the prior information about over-excavation of underground opening was also taken into consideration. Five parameters influencing the over-excavation of opening, including 2 groups of joints, 1 group of layer surface, extension and space between structure faces were selected as geometric parameters. Engineering data in an underground opening were used as the training samples. The cross-validation method was introduced to verify the stability of BDA model and the ratio of mistake-discrimination was equal to zero after the BDA model was trained. Data in an underground engineering were used to test the discriminant ability of BDA model. The results show that five forecast results are identical with the actual situation and BDA can be used in practical engineering.     

基于改进的模态分解和组合预测模型的短期负荷预测

短期负荷预测是电网调度计划重要的支撑依据,同时短期负荷预测的预测精度也是电网系统安全稳定运行的基础和前提。文中提出了基于改进的模态分解和组合预测模型(EEMD-组合模型)的预测思想,实现对短期电力负荷的精准预测。首先利用改进的模态分解实现对历史序列分解,挖掘不同频段序列的负荷特性以及与影响因素的关联关系,然后针对不同频段的序列使用不同的预测方法,最终集成整体预测结果,并使用均方根误差和平均相对误差进行测后评价,同时与其他预测模型进行对比。结果表明EEMD-组合模型可以很精准地预测未来负荷变化情况。     

基于ART网络的高速公路软基处理决策模型

随着高速公路的修建，软土问题越来越突出，已成为影响工程质量，建设工期和工程造价的关键因素之一。对软基处理方案决策理论与方法进行研究具有重大的理论和现实意义。将自适应共振（ART）神经网络模型应用于软基处理方案的决策，对工程应用具有参考价值。实例证明，该模型的计算结果与实际结果和其他方法所得结果是一致的，且与常规优选方法相比，该模型具有实现容易，效率高等特点。     

The Calculation Model for Operation Cost of Coal Resources Development Based on ANN

On the basis of analysis and selection of factors influencing operation cost of coal resources development, fuzzy set method and artificial neural network (ANN) were adopted to set up the classification analysis model of coal resources. The collected samples were classified by using this model. Meanwhile, the pattern recognition model for classifying of the coal resources was built according to the factors influencing operation cost. Based on the results achieved above, in the light of the theory of information diffusion, the calculation model for operation cost of coal resources development has been presented and applied in practice, showing that these models are reasonable.     

基于AHP和TOPSIS法的空间负荷预测

配电网空间负荷预测的核心问题是负荷密度指标的选取,目前选取负荷密度指标的方法一般难以满足实际工程中对精度的要求．引入AHP和TOPSIS法求取负荷密度指标,运用AHP法确定评价指标的权重,运用TOP-SIS法进行评价指标的规范化和排序计算,量化影响负荷密度指标的因素,选择负荷密度指标,并在此基础上采用相似度方法进行负荷密度的修正．将该种算法和模型应用于大量实际的工程项目,证明了该模型和算法能够快速计算出负荷密度指标,并且能够保持一定的精度,适用于工程实践中的空间负荷预测．     

基于WA-GRNN模型的年径流预测

针对传统的中长期水文预测方法由于缺乏对水文要素本身内部结构和变化特性的描述,往往导致建模过程中确定模型结构、参数等存在盲目性,而以往常用预测模型收敛速度较慢、模型结构及参数优化复杂等问题。本文将小波分析（WA）和GRNN神经网络联合使用,建立了中长期水文预测模型：即先应用WA揭示水文序列内部结构及变化特性,从而将原序列分为确定性成分和随机成分两部分,然后利用GRNN神经网络对确定性成分和随机成分分别进行模拟预测,最后将两部分结果叠加作为最终预测值。将该模型用于沱江中上游三皇庙水文站年径流的预测,并与传统方法进行对比。结果显示该模型预测效果较传统方法更好,能有效地揭示序列的时频结构和变化特性,对于生产应用具有较强的实际意义。     

基于GA-GRNN数据挖掘的SCR脱硝系统建模优化研究

火电厂选择性催化还原法(SCR)烟气脱硝系统是处理燃煤机组烟气排放NOx污染的主要途径,但该系统具有多输入变量、环境影响复杂、时变非线性等特征,因此建立准确的系统模型是SCR优化控制的基础。提出了一种融合遗传算法(GA)主元分析和广义回归神经网络(GRNN)数据挖掘的SCR系统建模方法。首先使用GA对运行数据进行变量选择优化计算;然后将最优变量作为GRNN的输入量,利用数据挖掘技术建立SCR系统数据模型。基于某电厂机组运行数据的实例分析表明,该方法建立的模型具有复杂度低、精度高、泛化能力强等优点。