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。     

基于粒子群优化的反向传播神经网络算法在建筑物沉降预测中的应用

神经网络具有结构简单,鲁棒性强,能够逼近任意函数的非线性映射能力,在多个领域得到了广泛应用。但其梯度下降法容易陷入局部最优,训练效率较低。采用粒子群算法(PSO)对BP神经网络进行改进,利用粒子群算法为BP神经网络提供精确的全局搜索能力,提高其训练效率和预测精度。基于建筑物实际沉降观测数据,对BP神经网络和PSO-BP神经网络进行对比分析。结果表明,PSO-BP神经网络的训练效果获得了较大提升,预测精度提升了约61%,预测结果明显优于传统BP神经网络。     

改进粒子群优化BP神经网络的轮毂分类算法

针对轮毂识别系统前期图像特征提取误差较大时分类准确性降低的问题,提出了基于改进粒子群算法优化BP神经网络的轮毂识别模型。在标准粒子群中引入遗传算法的变异因子、惯性权重、时间因子、速度边界限制和反弹策略,以改进粒子群算法,从而提高寻找最优阈值与权值的性能。经过与不同算法的对比数据看出,采用改进粒子群优化BP神经网络算法的分类识别率比其他算法提高了9%左右,且收敛速度、收敛精度均有提高,证明了所提IPSO(improved particle swarm optimization)算法的有效性。     

混合BP神经网络在城市污水量预报中的应用

对城市污水处理厂污水量的科学预测是污水处理机组协调和优化调度的基础和关键。针对传统BP神经网络在污水处理厂污水量的预测中存在收敛速度慢、预报精度低等缺陷。本文提出采用改进的粒子群优化算法优化BP神经网络的连接权值,以提高污水量预报的速度和精度。实验结果表明了该混合BP神经网络在城市污水量预报中的有效性和精确性,实现了污水处理厂各机组的优化运行和节能降耗。     

城市生活需水量预测中智能算法的应用研究

在分析城市用水特点、筛选相关影响因素的基础上建立城市生活需水量预测模型,并研究了模型求解过程中智能算法的应用。采用改进的粒子群优化(PSO)算法对反向传播(BP)神经网络的初始设置进行智能优化,避免了传统BP神经网络模型在训练过程中容易陷入局部极小值的缺点。应用该粒子群优化神经网络(PSO-BP)算法求解需水量预测模型,其实例结果表明,该算法提高了神经网络的训练效率,基于该算法的预测模型具有较理想的可靠性和精度。     

BP神经网络在基坑工程变形预测中的应用

结合工程实例,针对基坑开挖过程的变形特点,应用BP神经网络和基于粒子群优化算法的BP神经网络对基坑支护结构的变形进行预测,并对两种方法预测结果进行比较分析。结果表明,基于粒子群优化算法的BP网络的泛化预测性能要优于BP网络,预测深基坑地下连续墙结构水平位移更有效。     

一种基于t分布变异粒子群神经网络的路基沉降预测模型

针对已有的路基沉降预测模型精度较低的问题,在BP神经网络及粒子群算法的基础上,提出一种自适应t分布粒子群BP神经网络预测模型,提高路基沉降预测精度。     

几种集中供热负荷预测模型对比

为了精确地预测供热负荷,在预测模型中增加了室内温度影响因子,并采用多元线性回归(MLR)、BP神经网络和基于网格搜索优化支持向量机回归(GS-SVR)的方法,对未来7 d的供热负荷进行了预测。研究结果表明,GS-SVR预测模型的精度最高,其预测精度明显优于MLR和BP神经网络,可用于指导工程实践。     

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。     

一种改进的高铁桥沉降变形预报方法研究

鉴于传统BP神经网络在高铁桥沉降变形预报中随机性强、收敛速度慢、易陷入局部极值等缺点,本文引入了顾及邻域粒子群影响的改进粒子群算法(IPSO)优化BP神经网络,建立IPSO_BP的高铁桥台沉降变形预报模型,组合模型的预报结果与高铁沉降变形评估方法—Asaoka进行比较,结果表明:基于改进的粒子群优化BP神经网络模型较高铁桥传统BP预报模型收敛速度更快,预报精度更高;预报评估结果与Asaoka方法预报的结果相符,证明了IPSO_BP模型的可靠性和实用性。     

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。     

基于演化算法的桩基极限承载力预测模型研究

单桩的竖向极限承载力受众多因素的影响,各影响因素与单桩承载力之间存在着高度的复杂性和非线性,借助神经网络的一个非线性处理能力,结合演化算法,建立基于粒子群算法和BP神经网络的单桩竖向极限承载力的预测模型。实验结果表明,经过演化算法优化的BP神经网络,在预测精度和收敛速度上都取得了良好效果。     

基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种改进型粒子群(Improved Particle Swarm Optimizer,IPSO)算法,可以优化BP(Back Propagation)神经网络,并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明:该研究方法能够在预测精度和稳定性方面明显优于传统的PSO-BP神经网络优化证券投资组合方法。     

基于IPSO-RELM转炉冶炼终点锰含量预测模型

分析了影响转炉冶炼终点钢水中锰含量的因素,针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢,预测精度低等问题,提出了一种基于极限学习机(ELM)算法建模的新思路,并引入正则化以及改进粒子群优化算法(IPSO),建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM)的转炉终点锰含量预测模型;应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证,并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明,采用IPSO-RELM方法构建的模型,锰含量预测误差在±0. 025%范围内的命中率达到94%,均方误差为2. 18×10~(-8),拟合优度R2为0. 72,上述三项指标均显著优于其他三类模型,此外,该模型还具有良好的泛化能力,对于转炉实际冶炼过程具有一定的指导意义.     

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。     

消纳弃风的风电混合储能供热系统容量配置优化

为解决“三北”地区冬季建筑能耗较高且弃风严重的问题,设计了由锂电池、固体蓄热装置和热泵设备组成的风电混合储能供热系统。首先基于BP神经网络预测了风电机组输出功率,采用k-means聚类分析得到了供热典型日负荷曲线;然后提出了一种基于粒子群优化算法的风电混合储能供热系统容量配置优化方法,以系统总成本最小和弃风量最低为约束条件构建了目标函数;最后比较了考虑和不考虑弃风条件下,风电混合储能供热系统的容量配置优化结果。研究表明,所提出的优化方法不但可以有效降低弃风率,场景适用性强,还能够满足严寒地区冬季清洁供热需求,为可再生能源高效利用提供参考。     

基于PSO-BP算法对古建筑消防安全评价

基于影响古建筑火灾发生的原因,建立了比较合理的消防安全评价指标体系,并构建了以粒子群(PSO)算法优化BP神经网络的评价模型。通过样本的建立,确定了BP神经网络的网络结构,运用粒子群算法去优化BP网络的初始权值和阈值,再把优化之后的权值和阈值赋给BP神经网络,对其进行训练直到误差满足既定要求。为了验证该评估模型的有效性,最后将训练的粒子群优化的BP神经网络模型应用到奉国寺大雄殿的消防安全评价中。结果表明,此模型收敛更快、适应性更强、精度更高。在古建筑消防安全评价中具有较好的应用价值,实现了古建筑消防安全评价的定量分析。