基于人工神经网络的敞开立式冷藏陈列柜负荷预测研究

以陈列柜为研究对象,利用陈列柜进出口风幕参数计算确定出陈列柜的负荷.通过人工神经网络对敞开立式冷藏陈列柜负荷进行预测,结果显示预测值与计算值比较吻合.在运用中发现预测精度较高,具有实际的可行性和应用价值.     

基于EEMD和PSO-LSSVM模型的短期电力负荷预测

短期电力负荷预测是电力系统规划、运行、维护的基础。精确的负荷预测对电网的运行和供电调度提供了可靠的指导。为了提高负荷预测的精度,提出了一种基于集总经验模态EEMD和粒子群算法优化下的最小二乘支持向量机(PSO-LSSVM)模型方法。该方法先利用EEMD将数据分解成不同尺度的模态固有分量IMF分量和剩余分量,将分解的分量在PSO-LSSVM模型下对负荷数据进行预测。通过引进粒子群算法下的LSSVM模型与b P神经网络模型法进行仿真分析比对表明,优化下的LSSVM预测方法比b P神经网络方法在绝对误差、相对误差以及均方根误差都有提升。     

基于Transformer模型的电力负荷预测

根据已知的历史用电需求来预测未来的用电需求是电网稳定且经济运行的重要一环。针对现有电力负荷预测方法存在无法准确长期预测的问题，提出一种新的基于Transformer模型的电力负荷预测模型。该方法在循环神经网络可以捕捉用电负荷短期依赖的基础上，通过编码器-解码器结构很好地捕捉了电力负荷的长期依赖特征；通过建立电力负荷数据集，训练得到了具备精准预测能力的Transformer模型。实验结果表明，Transformer模型具有较高的预测精度，随着预测时间巨幅增加，预测误差只出现了微小累积，该模型较好地预测了电力负荷可能出现的波动，且无时滞效应。     

卧式陈列柜风幕数值模型的实验验证

超市中卧式陈列柜的风幕卷吸作用是陈列柜热负荷的主要来源，良好的风幕系统可以提高冷空气的利用率，减少热负荷，达到节约能源的目的。本文以卧式陈列柜为研究对象，通过实验方法对比分析了CFD中常用的紊流模型k—ε、雷诺应力模型与大涡模型，结果表明雷诺应力模型的模拟结果与实验结果最为接近。     

自然冷源冷藏陈列柜运行试验研究

为了降低冷藏陈列柜运行能耗,将自然冷源引入具有储能装置的冷藏陈列柜,对搭建的自然冷源食品冷藏陈列柜系统的5种工作模式(制冷机组单独供冷、制冷机组供冷+蓄冷、蓄冷罐供冷、自然冷源供冷和自然冷源供冷+蓄冷)进行了试验研究。研究结果表明：在5种工作模式下,均能使柜内温度维持在-1～7℃之间,符合冷藏陈列柜食品冷藏要求。在制冷机组供冷+蓄冷模式下,以2.34 m³/h的乙二醇溶液对蓄冷罐蓄冷12 h后,蓄冷罐能够储存121 400 kJ的冷量,该冷量可使柜内温度在9 h内维持在-1～7℃之间。当室外温度低于-4.5℃时,可运行自然冷源单独供冷模式。当室外温度小于-8℃时,利用自然冷源对陈列柜供冷的同时可以对蓄冷罐蓄冷。运行蓄冷罐单独供冷模式和自然冷源单独供冷模式,能够使系统的能耗分别降低68.45%和55.42%。     

自然冷源冷藏陈列柜运行试验研究北大核心CSCD

为了降低冷藏陈列柜运行能耗,将自然冷源引入具有储能装置的冷藏陈列柜,对搭建的自然冷源食品冷藏陈列柜系统的5种工作模式(制冷机组单独供冷、制冷机组供冷+蓄冷、蓄冷罐供冷、自然冷源供冷和自然冷源供冷+蓄冷)进行了试验研究。研究结果表明:在5种工作模式下,均能使柜内温度维持在-1~7℃之间,符合冷藏陈列柜食品冷藏要求。在制冷机组供冷+蓄冷模式下,以2.34 m^(3)/h的乙二醇溶液对蓄冷罐蓄冷12 h后,蓄冷罐能够储存121400 kJ的冷量,该冷量可使柜内温度在9 h内维持在-1~7℃之间。当室外温度低于-4.5℃时,可运行自然冷源单独供冷模式。当室外温度小于-8℃时,利用自然冷源对陈列柜供冷的同时可以对蓄冷罐蓄冷。运行蓄冷罐单独供冷模式和自然冷源单独供冷模式,能够使系统的能耗分别降低68.45%和55.42%。     

基于物理模型和神经网络融合的表面粗糙度预测方法

当前表面粗糙度预测的单一建模方法都存在一定的局限性，物理建模方法无法表征实际加工动态过程，机器学习模型需要大量训练数据且解释性较差。提出了一种物理模型与神经网络深度耦合的融合模型，通过训练卷积自编码器作为特征提取器构建数据集，然后训练融合模型，实现对表面粗糙度的精确预测，通过高温合金侧铣实验建立的数据集进行了验证，上述模型在训练集上预测相对误差为4.48%,测试集上的平均预测相对误差为5.67%。以10%为允差范围，则预测的准确率为84.29%,有较高的精准度。     

面向边缘计算的船闸运维数据存储与应用

针对船闸实时性和控制网络安全性的需求，提出了一种面向边缘计算的船闸运维数据存储与应用解决方案，将船闸运行管理所作为边缘节点，搭建船闸运维系统的边缘计算架构，采用MySQL数据库实现基于船闸运行闸次的数据存储。选取运行报表内关键信息作为数据集，通过卷积神经网络（CNN）和长短期记忆网络（LSTM）建立液压系统的状态预测模型，并引入麻雀搜索算法（SSA）优化网络训练参数。结果表明SSA-CNN-LSTM模型对液压系统压力和流量的预测效果有显著提升，相较于CNN-LSTM模型，在系统压力预测中，RMSE、MAPE指标分别减小9.6%、14.8%。在系统流量预测中，RMSE、MAPE指标分别减小26.5%、38.5%，具有更高的预测精度，能够为船闸的运行管理、养护、安全高效运行提供数据支持。     

基于LSTM的化肥价格指数预测

化肥作为重要的农资产品,其市场价格受到原料价格、汇率政策、供给等多方面的因素调控,化肥价格的波动对国民经济有着重大的影响。因此,化肥价格准确地预测能将其对农业乃至国民经济的影响降至最低。提出基于长短时记忆(LSTM)单元的循环神经网络(RNN)模型,它能有效地利用序列数据长距离依赖的信息,被广泛地应用于时间序列信息的预测中。考虑多因素对化肥价格的影响,结合近年化肥交易价格的走势数据,对数据进行回归拟合,生成训练模型,然后将得出的模型用于化肥交易价格进行预测,最终在数据集上测试误差(MSE)为0.000 549 3,取得了良好的预测效果。     

基于随机神经网络的短期负荷预测

短期负荷受社会因素和自然因素的影响,使得精准负荷预测困难重重。为了提高短期电力负荷预测精度,提出一种基于改进一般随机神经网络的负荷预测模型。随机神经网络与传统的BP神经网络相比的优势在于随机神经网络在参数优化过程中不会陷入局部最优,但是随机神经也存在自身的不足。针对一般随机神经网络优化过慢;参数优化朝着局部数据而不是整体训练数据,导致最后保存模型不是对整个训练集整体的最优模型。提出在随机神经网络预测模型中用Adam算法替代传统的梯度下降优化算法加快优化,并在随机神经网络模型每次更新后计算整体数据的损失函数,保存损失函数最小时的模型。通过实验分析,验证改进的随机神经网络模型更加有效。     

冷藏陈列柜空气预冷器对食品温度的影响分析

以立式多搁架中温冷藏陈列柜为研究对象,研究空气预冷器对冷藏陈列柜所储食品温度的影响.试验结果表明:冷藏陈列柜使用减湿预冷器后柜内所储食品的平均温度降低了1.3℃,垂直方向上不同搁架区食品的平均温差降低了0.8℃,并且融霜时食品温度的回升也降低了0.8℃.因此,空气预冷器的使用,将有利于提高柜内所储食品的品质.     

基于卷积神经网络的GTAW熔透预测

焊接熔池信息能反映熔透状态,但建立熔池与熔透状态的关系十分困难。针对该问题,提出一种基于卷积神经网络(Convolution neural networks,CNN)的GTAW背面熔透预测模型。通过基于被动视觉的熔池二维图像采集,建立了用于CNN网络训练和测试的训练集和测试集。其次建立了CNN背面熔透预测模型,优化了学习率、batch-size、迭代次数等网络参数。研究发现:第一层卷积核尺寸为9×9,最后一层含有64个卷积核使模型在预测准确率和训练时间上综合表现达到最佳。使用训练集数据训练模型,将训练完成的模型在测试集上对背面熔透进行预测,取得了高于96%的预测准确率。通过对预测模型的特征映射进行可视化分析,模型是通过熔池边缘,反光点位置和熔池尾部等特征来预测背面熔透情况。     

改进随机森林的电力负荷预测方法

精确的电力负荷预测是电力分配设备与配电网设计的关键。针对目前电力负荷预测精度低、模型训练慢的问题,提出了一种基于改进随机森林的并行化电力负荷预测方法。该方法首先利用灰色关联投影衡量历史样本属性与待预测日属性之间的相似性,构建相似历史样本数据集。然后基于遗传算法对随机森林的决策树进行进化搜索,提高集成预测精度。最后通过Hadoop分布式集群实现了电力负荷预测的并行化,提升了预测效率。实验结果表明,相比其它预测方法,该方法电力负荷预测值与负荷真实值之间的拟合度最高,且并行化能够降低预测时间消耗。     

灰色关联分析的神经网络模型在轴承故障预测中的应用

为提高小样本轴承故障预测的精度,提出了灰色关联分析的神经网络预测模型。利用神经网络训练样本数据,并使用灰色关联分析不断调整其隐含层节点数,以寻找到最优的数据解,完成训练过程;基于已训练好的模型对未来时间点的运行状态进行分析,并根据设备的理论诊断标准实现故障预测。将提出的模型与同样可预测小样本波动数据的灰色马尔科夫预测模型进行实例应用对比,结果显示,灰色关联分析的神经网络预测模型效果明显优于灰色马尔科夫模型。     

冷藏陈列柜的发展及分析

对不同型式的冷藏陈列柜从耗能结构等方面进行了对比,对国内外的发展情况进行了分析,预测了今后的发展方向。     

基于LSTM神经网络的复合变量电动汽车充电负荷预测方法技术研究

随着电动汽车并网容量的不断增加,面向电动汽车充电负荷准确地开展功率预测对于并网电力系统的经济调度和优化运行意义重大。基于计算机交叉学科的深度学习领域算法不断进步,为准确构建电动汽车充电负荷模型提供高效工具。该文研究一种基于LSTM(long short-term memory)神经网络的复合变量电动汽车充电负荷预测方法,将电动汽车充电负荷历史数据进行预处理,采用LSTM网络对降维后的时间序列进行动态建模,完成电动汽车充电负荷预测。采用实际数据进行验证,结果证明所提方法的有效性。     

基于双向堆叠简单循环单元的滚动轴承寿命预测

为解决传统滚动轴承寿命预测方法精度差,效率低的问题.提出一种基于双向堆叠简单循环单元(Bidirectional Stack Simple Recurrent Unit,Bi-SRU)的预测方法.从原始信号中提取多种时、频域特征构建多维数据集,增强信息表征,避免了单一特征对轴承退化能力反映不足的缺点.依靠循环神经网络(Recurrent Neural Network,RNN)处理时序数据的能力,构建SRU模型,重构传统RNN串行运算结构,提升训练效率.并在单层SRU的基础上反向堆叠,使模型能够获取学习时间维度上的双向信息,提升预测准确性.实验结果表明,所提方法在预测精度和训练效率上均有提升.     

基于多模型长短时记忆神经网络的电力负荷预测方法研究

提出了一种基于多模型长短时记忆神经网络(LSTM)的电力负荷预测方法,该方法通过对历史电力负荷日曲线进行密度聚类,根据聚类结果以及历史日期的特征因素训练高斯朴素贝叶斯分类器,进而分类训练神经网络预测的输入,采用长短时记忆神经的深层网络对所述历史时刻的电力负荷数据和日期特征因素进行训练建模,以训练生成深度神经网络负荷预测模型。通过算例仿真,发现该方法相比于典型方法,能够精确预测出对应日期的用电负荷,提升预测效果,同时缩短网络训练时间,提升程序运行速度。     

基于VMD-LSTM模型的短期电力负荷预测研究

经典的电力负荷预测方法,例如回归预测法、时间预测法、指数平滑法等结构过于简单、拟合精度较差,预测效果不明显。为了提高短期电力负荷预测的精确度,建立了一种将变分模态分解（VMD）和LSTM算法相组合的短期负荷预测模型（VMD-LSTM）。使用VMD将原始负荷数据分解为数个有限带宽的模态分量,以降低原始负荷的复杂度,而且不会发生模态混叠现象,提高数据清晰度,然后每个模态分别构建一个LSTM模型进行预测,最后把每个分量的结果相加得到最终的预测值。通过仿真实验,将VMD-LSTM组合模型和其他几个单一模型进行比较,发现VMD-LSTM模型的预测精度更高,误差更小,能够更好地应用于短期电力负荷预测。     

工业数据驱动下薄板冷轧颤振的LSTM智能预报

冷轧机颤振问题由来已久,随着更薄规格、更高强度和更快速度的要求,该问题更加突出,诱发机理复杂多变且隐蔽,过度依赖经验判断难以及时有效地抑制颤振的发生,基于历史振动大数据实现冷轧颤振的智能预报是面向智能轧制的重要应用场景。考虑冷轧颤振工业数据的多源、多态与强耦合特征,通过多源数据的采集交互、时刻匹配、频率协同、数据降维等数据预处理建立颤振预报模型的样本空间;基于长短时记忆(Long short–term memory,LSTM)循环神经网络建立轧机颤振能量值的智能预报模型,利用轧件规格、轧辊状况、轧制工艺以及轧机振动状态的历史信息数据,对最为典型和振动频繁的第五机架振动能量值加以预测;分析了不同时间步长对预测效果的影响以获得最优的预测步长,模型预测结果的变化趋势与实际数据的变化趋势基本一致,训练数据集与测试数据集的均方误差较小;然后,将模型应用于未参与训练与测试的实际轧制过程数据,结果表明LSTM模型能够很好地实现颤振预测,且根据设定的报警阈值能够实现提前预报。研究结果表明基于多源历史振动数据的深度学习与挖掘能够实现对连轧颤振失稳的智能预报,不仅能够在实际生产中发挥作用,而且对实现冷轧过程的智能化具有积极的推动意义。