基于MEA-Elman神经网络的电力日负荷预测

Elman神经网络是一种动态反馈网络,对历史状态敏感,具有短期记忆功能和处理动态信息的能力,可以建立动态、非线性电力负荷预测模型。由于Elman神经网络采用BP算法,容易陷入局部极小解,迭代次数多且学习效率低,该文利用思维进化算法(MEA)优化Elman神经网络的方法,提出基于MEA-Elman神经网络的电力负荷预测模型。实验表明,该方法能够避免不成熟收敛问题,减少迭代次数,有效提高了配电网短期负荷的预测精度,对电力系统合理调度与规划具有重要意义。     

多维意象下产品造型满意度预测模型研究

为均衡有效地满足用户多维复合意象的情感需求，提升多维意象下产品造型与用户满意度的匹配程度，提出一种结合熵权法与BP神经网络的产品造型满意度预测模型。以老年代步车为例，建立了产品造型元素集和多维意象集，采用语义差分法获取了样本评价值，并采用熵权法计算多维意象权重；将样本造型元素进行编码作为第1层BP神经网络模型的输入变量，将多维意象加权评价值作为第1层输出变量和第2层BP神经网络输入变量；将用户满意度评价值作为第2层BP神经网络输出变量，并通过K-fold交叉验证法训练和测试双重BP神经网络预测模型，验证结果显示：预测模型满意度MSE值小于0.01,表明该模型能有效映射多维意象下产品造型与满意度间的隐性关联。运用该模型对300个新方案进行预测，快速决策出最佳方案，为设计人员提供参考。     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成BP网络权值和阈值的优化,最后建立用于短期负荷预测的优化模型,并通过实例进行仿真验证.结果 表明:该改进预测模型与传统BP算法相比预测精度及收敛速度均有大幅提高,具备工程实用价值.     

基于BP神经网络的球墨铸铁球化率的预测

为解决基于热分析技术的传统多元回归算法预测球墨铸铁球化率所存在的问题,提出应用BP神经网络算法预测球墨铸铁的球化率.以共晶过冷温度TEU、共晶再生温度TER、共晶温度TE作为预测球化率输入神经元,建立3层神经网络预测模型,应用自制热分析仪采集的冷却温度数据和金相分析法测定的球化率作为样本数据,从32组样本中选择27组数据作为训练样本,应用MATLAB的神经网络工具箱对算法进行仿真和训练.最后用剩余5组数据对算法进行检验,结果显示,预测误差小于5％,表明应用BP神经网络算法对球化率的预测效果较好,且具有较强的适应能力.     

基于变分模态分解和FABP的短期电力负荷预测

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度下降等问题,提出了一种基于变分模态分解(VMD)和萤火虫算法优化BP神经网络(FABP)的短期负荷预测方法。利用VMD将原始电力负荷序列分解为若干个子序列,能够降低原始数据的复杂度和不稳定性同时克服模态混叠;萤火虫算法优化传统BP神经网络模型,能够克服其极易陷入局部最小的缺陷。最后通过样本熵(SE)对各子序列进行重组得到两个新分量,将其分别输入神经网络模型进行预测并叠加预测结果,实现短期负荷预测。应用于实例,结果表明,该方法能有效提高预测精度。     

结合天气因素的HTS-FOA-GRNN短期热负荷预测研究

随着社会的不断发展进步以及社会各界对环境保护问题的高度重视,如何做到让冬季北方地区的集中供热系统经济环保运行成为了目前我国供热行业的首要目标。短期热负荷预测的研究恰恰可以提高供热系统控制精度,优化供热系统控制方案,实现系统的经济环保运行。由于热用户的室内温度受外界环境温度的影响因素较大,因此在结合天气因素再进行神经网络建模会使预测更加精准。提出一种基于改进果蝇算法优化的广义回归神经网络(FOA-GRNN)以及结合天气因素的短期热负荷预测方法,选取供热负荷值、实时天气温度和二次网供水温度和二次网回水温度等四类数据,构建HTS-FOA-GRNN供热负荷短期预测模型。研究表明,所构建的HTS-FOA-GRNN模型具有很好的预测能力和优化效果。     

考虑电控数据的LSTM神经网络进给轴热误差建模

针对进给轴热误差建模中忽略电控数据和时间序列影响的问题,提出一种考虑温度变化与电控数据的长短期记忆(Long-Short Term Memory,LSTM)神经网络热误差预测模型.以三轴立式加工中心为试验对象,首先对进给轴进行热变形分析,再以温度变化、电控数据为输入样本,建立了LSTM神经网络热误差预测模型,随后通过与仅考虑温度变化的LSTM神经网络,以及同时考虑温度变化与电控数据的BP神经网络进行对比分析,试验论证表明,对数控机床进给轴进行热误差建模时,在考虑温度变化的基础上,进一步考虑电控数据可以提高模型的预测精度和鲁棒性,且在同样输入条件下,LSTM神经网络热误差预测模型相较于BP神经网络有更好的预测精度和鲁棒性.     

考虑电控数据的LSTM神经网络进给轴热误差建模

针对进给轴热误差建模中忽略电控数据和时间序列影响的问题,提出一种考虑温度变化与电控数据的长短期记忆(Long-Short Term Memory,LSTM)神经网络热误差预测模型.以三轴立式加工中心为试验对象,首先对进给轴进行热变形分析,再以温度变化、电控数据为输入样本,建立了LSTM神经网络热误差预测模型,随后通过与仅考虑温度变化的LSTM神经网络,以及同时考虑温度变化与电控数据的BP神经网络进行对比分析,试验论证表明,对数控机床进给轴进行热误差建模时,在考虑温度变化的基础上,进一步考虑电控数据可以提高模型的预测精度和鲁棒性,且在同样输入条件下,LSTM神经网络热误差预测模型相较于BP神经网络有更好的预测精度和鲁棒性.     

基于粗糙集和PSO-Elman的商业建筑空调冷负荷预测

为了精确预测商业建筑空调的冷负荷，建立基于粗糙集和PSO-Elman神经网络的预测模型。首先利用粗糙集对空调冷负荷的影响因子进行属性约简，然后应用粒子群算法优化Elman神经网络的权值和阈值，建立PSO-Elman商业建筑空调冷负荷的预测模型。采集桂林某商业建筑的空调数据和气象参数验证PSO-Elman预测模型的预测性能，并将该模型的预测结果与Elman预测模型的预测结果进行对比分析。研究结果表明，PSO-Elman预测模型的预测精度高于Elman预测模型，PSO-Elman预测模型预测结果的平均绝对相对误差、均方根相对误差、均方根误差和平均绝对误差分别为4.87%,6.15%,423.71和335.86，与Elman预测模型的预测结果相比，这些误差参数分别降低了2.46%,2.46%,169.65和156.57。由此可知，PSO-Elman预测模型能够精确有效地预测商业建筑空调的冷负荷。     

可重入制造系统的产出短期预测方法研究

针对可重入制造系统处于高度不确定性环境中,其产出时间序列的非线性特征,提出了基于遗传小波神经网络的产出短期预测方法,使预测模型具有小波的优良逼近性质和神经网络的自学习自适应性质,同时,采用遗传算法训练神经网络参数,利用遗传算法隐含并行性和全局搜索性的特征,丰富优化过程中的搜索行为,增强全局和局部意义下的搜索能力和效率。通过半导体生产线实例,进行了验证,结果表明所提出的基于遗传小波神经网络的产出短期预测方法的预测性能要优于传统BP神经网络算法。     

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。     

基于自组织特征映射的连续多日负荷预测方法研究

针对影响连续多日每日最大负荷的因素较多且构成复杂,连续多日负荷预测方法少难度大、含节假日的连续多日负荷预测精度低等问题,分析了近几年工作日电力负荷数据特点,研究了自组织特征映射(Self-Organizing Feature Map,SOM)聚类算法并将其用于负荷数据的预处理,研究了节假日负荷的特性,总结了其负荷变化规律并加以区分预测,提出了一种基于自组织特征映射神经网络的连续多日负荷预测新方法。该方法区分普通工作日与节假日,普通工作日采用自组织特征映射神经网络聚类方法对日最大负荷进行特征提取,建立了以周期特征相似的历史数据作为训练样本的神经网络模型,节假日设定假日影响因子单独预测。运用某市近年的负荷数据进行预测,算例结果显示综合预测误差为3.21%,表明该方法预测精度完全满足实际需求,为连续多日最大负荷预测提供了一种可行的方法。     

基于遗传算法优化小波神经网络数控机床热误差建模

数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。     

Elman神经网络在热工辨识中的应用研究

介绍了一种Elman动态递归神经网络结构,讨论了它的DBP学习算法,并将具有比例积分特性的Elman网络应用于动态系统的辨识.计算机仿真结果表明,Elman网络对热工动态系统辨识有很好的逼近效果.     

高炉铁水含硅量的动态神经网络多步预报

本文提出一种基于主成分分析法的动态神经网络模型实现高炉铁水含硅量多步预报。本方法将经主成分分析法处理后的高炉数据样本作为改进型Elman网络的输入,减少变量个数,简化网络结构；同时采用动态递归算法进行高炉铁水含硅量多步预报,具有较强的适应性。采用该方法对宝钢某高炉现场采集的数据进行预报实验,以±0．05作为预报误差,预报命中率达到89．12%。     

基于神经网络的预分解窑控制过程建模

在分析了水泥预分解窑工艺流程的基础上,采用Elman神经网络与BP神经网络建立预分解窑系统的模型,通过两种建模网络的泛化能力的仿真测试比较,体现出Elman神经网络在复杂的多变量、多扰动非线性系统建模方面的优越性。     

一种改进的Elman网络及其在载荷识别中的应用

提出一种在关联层与输出层之间加入反馈连接的改进的Elman网络,给出相应的网络结构与学习算法。该网络关联层除从隐含层接收反馈信号外,还从输出层接收反馈信号,通过调节它们之间的权值系数,增加关联层的作用,提高网络的逼近能力和动态性能。在此基础上,建立具有时延反馈的Elman网络载荷识别模型,并用于齿轮箱的载荷识别研究。试验结果表明,该网络模型具有收敛速度快、识别精度高的特点,为复杂动态系统的载荷识别研究提供一种新的思路。     

基于Elman网络的切削表面粗糙度预测方法

根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,讨论神经网络非线性、多因素预测原理及其拓扑结构的基础上,提出利用Elman神经网络建立切削表面粗糙度预测模型的方法;在Matlab及其神经网络工具箱的基础上,采用Elman神经网络对铝6061切削表面的粗糙度进行训练、预测、分析.结果表...     

基于BP神经网络的切削表面粗糙度预测方法

利用神经网络理论,提出一种利用BP神经网络预测切削表面粗糙度的方法。简单分析了粗糙度的影响因素及预测原理。介绍了BP神经网络的特点、原理、算法和公式。在对Matlab及其神经网络工具箱简要介绍的基础上,采用BP网络的方法对钢Q235材料粗糙度进行了训练、预测和分析。结果表明,该方法的预测误差小于3%。