基于PCA-PSO-BP神经网络的住宅供热逐时负荷预测

为了准确预测供热负荷,提出了一种基于主成分分析法和粒子群优化算法改进的BP神经网络(PCA-PSO-BP)预测模型。首先利用主成分分析法融合影响热负荷的特征指标,消除指标之间的冗余性和相关性;同时采用粒子群算法优化BP神经网络的初始权值和阈值,克服了BP神经网络容易陷入局部最优的缺陷,提高了BP神经网络的预测精度。基于北京某居住建筑供热系统的实际运行数据,对模型的性能进行了验证。仿真结果表明,改进的模型预测精度提高了4.07%。     

供热系统换热站供热参数预测模型对比分析

通过相关性分析确定了集中供热系统换热站供/回水均温的影响因素,进一步依据最小二乘拟合计算得到预测模型中历史供热参数的最佳周期,同时结合室外空气温度和室内温度作为模型输入参数,运用Matlab仿真模拟软件建立广义回归神经网络(GRNN)、Elman递归神经网络(Elman)以及多元线性回归(MLR)预测模型,分别对未来18个时刻的供/回水均温进行仿真验证。分析预测结果发现,MLR预测模型的精度最高,GRNN预测模型精度略低于M LR,而Elman模型预测精度最低。     

基于神经网络的区域供热系统短期负荷预测

准确的热负荷预测是实现区域供热系统精细控制和节能减碳的关键。以国内北方某城市区域供热系统为研究对象，分别采用BP神经网络(BPNN)、遗传算法(Genetic Algorithm, GA)优化BP神经网络(GA-BPNN)和自回归移动平均模型(Autoregressive Integrated Moving Average Model, ARIMA)组合BP神经网络(ARIMA-BPNN)方法对其热负荷进行预测，并对比了各预测方法的准确性和适用性。结果表明，GA-BPNN预测误差最小，ARIMA-BPNN次之，但后者预测所需数据更少。此外，验证了在减少样本数目以及影响因素的种类的情况下，GA-BPNN预测方法的平均相对误差均在5%以内，表明GA-BPNN预测方法适用于样本减少的情况。     

住宅区供热负荷预测研究

本文分析了住宅区供热负荷影响因素,利用BP神经网络算法进行预测,建立了两种BP神经网络结构,一种输入样本是前几日供热负荷值和室外温度,另一种输入样本是室外温度、室外风速、室内用热系数及前几日供热负荷值,二者网络结构输出都是当天供热负荷值;对某住宅区域供热负荷进行了供热负荷预测与验证,比较了采用不同神经网络结构进行供热负荷预测的误差。结果表明住宅区域供热负荷变化规律具有明显的周期性,同时每天逐时供热负荷变化趋势线形态存在不同,需要选择合适的影响因素和样本个数,提高供热负荷预测的准确性。     

基于灰色神经网络模型的区域供热负荷预测研究

通过灰色关联分析法对区域供热负荷影响因素进行了评价,并将灰色预测与BP神经网络算法相结合,建立了灰色神经网络结构,能够对影响供热负荷的因素进行筛选,并对供热负荷进行预测。对某区域供热负荷进行了供热负荷预测与验证,通过对比筛选不同影响因素灰色神经网络的预测结果与误差,表明灰色神经网络模型在热负荷预测中能够选择合适的影响因素,排除关联度低的影响因素,可提高供热负荷预测的准确性,为区域供热负荷的预测提供理论依据。     

基于支持向量机的燃气短期负荷预测

介绍支持向量机的原理和支持向量回归模型,提出支持向量回归(SVR)模型的城市燃气短期负荷预测方法。探讨输入样本数据的选择和预处理方法、核函数和支持向量机参数的选择,结合某城市燃气日负荷数据进行燃气短期负荷预测。与BP神经网络预测方法相比,支持向量回归模型预测方法用于小样本情况下的燃气短期负荷预测精度略高。     

基于遗传算法优化支持向量回归机参数的供热负荷预测

为了进一步提高供热负荷的预测精度,通过分析影响支持向量回归机(SVR)性能表现的参数,提出了基于遗传算法优化的SVR供热负荷预测模型。该方法利用交叉验证思想在模型性能评估和选择方面的优势,结合遗传算法的全局寻优能力,实现了参数的自动优选,并用由此得到的最佳模型进行供热负荷预测。应用某热源的实测数据进行了仿真实验,与其他算法的比较表明,该方法相对误差绝对值的平均值为4.33%,比传统SVR降低了10.77%,比小波神经网络降低了5.28%。     

基于粒子群神经网络的空调冷负荷短期预测

为提高空调冷负荷预测精度,本文提出了基于PSO-BP算法的神经网络模型。将PSO算法与BP神经网络相结合,对大型商场的空调样本数据进行冷负荷预测实验。结果表明,与BP神经预测算法相比,该算法的预测精度更高,运行速度更快。     

蓄能空调需求响应时段负荷和储释能时长预测

空调参与需求响应能够提高电力系统的稳定性。考虑主动储能的需求响应是通过准确预测蓄能罐的储能、释能时长以及系统的运行负荷来保障策略的合理性和高效性。为此,搭建TRNSYS仿真实验平台获取数据,采用相关性分析和主成分分析,选择输入变量并对其降维,比较5种机器学习算法(BP神经网络、RBF神经网络、广义回归神经网络、Elman神经网络和支持向量回归)对空调系统未来1 h和24 h的静态负荷预测。选择Elman神经网络预测蓄能罐的储、释能时长并利用改进的粒子群优化算法进一步优化,对未来1 h和24 h负荷进行滚动预测。结果表明:相关性分析+主成分分析能提高模型的预测精度,Elman神经网络预测精度最高,利用改进的粒子群算法优化后,该模型对未来1 h和24 h负荷预测的拟合优度R~2值分别从0.790和0.972提高到0.845和0.975;利用Elman神经网络预测储、释能时长R~2值分别为0.993和0.984。     

基于FCM优化神经网络的办公楼空调负荷预测

空调负荷预测对于优化空调系统运行具有重要指导价值,本文针对传统神经网络在预测空调负荷时精度较低、泛化能力弱和物理意义不明晰的缺点,建立了模糊C均值算法(Fuzzy C-means)优化的BP神经网络复合模型。模型先采用FCM算法对输入参数进行聚类,针对不同类建立BP神经网络预测模型,将待测样本分类后进行预测,最后使用决策树算法筛选预测结果中聚类不佳的部分进行加权优化。以珠海某办公楼空调系统实际运行数据为例验证了模型,结果显示随机负荷样本预测的精度指标即标准差率(Coefficient of Variance)为0.191相较于不聚类神经网络提高了51.4%;典型工作日、休息日日均负荷样本预测标准差率为0.08和0.14相对于不聚类神经网络则分别提高了73.0%和39.7%。     

基于DE-BP算法的空调负荷预测研究

建立了基于BP神经网络理论的空调系统负荷预测模型.针对BP神经网络参数优化过程中容易陷入局部最优的缺陷,采用差异演化算法(differential evolution algorithm,DE)对其进行优化,以提高预测精度.结合具体实例进行空调冷负荷预测,并与采用遗传算法、蚁群算法、粒子群算法对BP神经网络进行参数优化的仿真实验结果对比表明,由DE-BP算法所具有较好的预测性能.     

基于改进型BP神经网络的大型CCHP系统负荷预测研究

为了解决BP神经网络在预测空调负荷时存在的学习速度慢、维数灾难、容易陷入局部收敛及无法保证全局收敛最优解等问题,首先采用Spearman秩相关系数分析冷负荷的主要影响因素,确定了动态冷负荷预测模型的输入参数,然后构建复合遗传算法的改进型GA-BP神经网络预测模型,并分别利用BP和GA-BP神经网络模型对位于上海的某大型区域CCHP系统进行了冷负荷预测。结果显示:利用Spearman秩相关系数分析,可缩短模型训练时间,规避维数灾难,提高预测精度;相对BP神经网络预测结果,GA-BP神经网络避免了局部收敛,明显提高了模型的预测精度。     

基于支持向量回归和小波包的供热负荷预测

通过分析影响热网负荷变化的各种因素,对热负荷数据进行预处理,运用小波包变换对负荷序列进行分解,对各子序列分别建立支持向量回归预测模型,最后通过序列重构,得出预测结果。仿真结果表明,该方法比传统BP神经网络和未作小波包分解的支持向量回归法具有更高的预测精度。     

基于FA-NAR动态神经网络的隧洞围岩变形时序预测研究

针对隧洞围岩变形动态性、对时间和空间的敏感性、非线性、高度复杂性等特征,为提高围岩变形预测精度,采用萤火虫算法(FA)搜索确定延时阶数和隐含层单元个数,并利用非线性自回归(NAR)动态神经网络进行预测,提出基于FA-NAR动态神经网络的隧洞围岩变形预测模型,结合北山坑探设施围岩变形监测数据进行预测,并将其与BP神经网络算法预测结果对比分析。结果表明:(1) FA-NAR动态神经网络的预测值与实测值基本吻合,其产生的平均绝对误差和平均相对误差分别约为BP神经网络的1/5和1/4,表明FA-NAR动态神经网络算法模型比BP神经网络算法模型预测精度高;(2)采用FA-NAR动态神经网络算法模型能够很好地解决围岩变形预测问题,既减少了人为输入网络参数的盲目性,又提高了网络的学习能力和预测精度。     

基于支持向量回归和小波包的供热负荷预澳

通过分析影响热网负荷变化的各种因素，对热负荷数据进行预处理，运用小波包变换对负荷序列进行分解，对各子序列分别建立支持向量回归预测模型，最后通过序列重构，得出预测结果。仿真结果表明，该方法比传统BP神经网络和未作小波包分解的支持向量回归法具有更高的预测精度。     

基于PSO-LSSVM的供热负荷预测研究

热负荷预测是供热系统智慧化升级的关键,为提高其预测精度,建立了基于交叉验证意义下的PSO-LSSVM热负荷预测模型。该模型采用交叉验证确定粒子群算法的适应度值,利用粒子群算法的全局寻优能力来确定最优的正则化系数和核宽度系数,再基于最小二乘支持向量机实现热负荷的高精度预测。研究表明:PSO-LSSVM模型的平均绝对误差为21.12 kW,平均相对误差为1.16%,与BP神经网络热负荷预测模型相比,PSO-LSSVM模型的预测精度提高了62.09%,且稳定性更好,可以满足实际工程需要。     

基于模糊神经网络的供热负荷预测

为了克服传统BP神经网络预测精度差,易陷入局部极值的缺陷,提出了模糊神经网络系统。利用模糊粗糙集通过历史负荷数据信息的模糊化替代负荷变化的离散化,快速寻找出样本数据间的连续属性的信息,将其与传统BP神经网络结合组成模糊神经网络对热负荷进行预测。实验结果表明:该模糊神经网络预测结果的相对误差很小不超过2%,在短期负荷预测方面具有的优越性。     

热负荷预测中应用神经网络模型的研究

区域供热热负荷的变化是典型的非线性变化，供热系统在确定建设规模，制定运行、检修计划方面面临许多因素的影响。本文对神经网络BP算法供热热负荷预测方面的应用在理论上做了一些研究，并引入实例对所建模型进行训练和检验，取得比较满意的效果。     

基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

基于PCA法的BP网络对冰蓄冷系统的空调负荷预测

BP神经网络应用于空调负荷预测时,如果输入变量较多或变量间存在相关关系,会直接影响BP神经网络的预测准确性。针对此问题,采用主成分分析(PCA)法,在保留原始数据主要信息的前提下提取数据的主要成分。根据各主成分的贡献率对神经网络输入变量进行缩减,达到压缩变量维数的目的。然后将主成分输入到负荷预测的模型之中进行预测,使之更符合空调负荷预测的特点,提高预测的速度和精度。最后通过实际算例进行验证,实验结果表明,该方法确实可行。