基于深度脊波神经网络的电力系统短期负荷预测模型

针对电力系统负荷的非线性预测问题,本文构造了一种基于深度脊波神经网络的电力系统短期负荷预测模型。该模型的隐含层采用脊波神经元,神经元的激励函数采用脊波变换函数。对该预测模型采用受限的玻尔兹曼机学习原理进行预训练,最后利用粒子群优化算法对其进行深度优化精调。通过对某地区实际电网负荷系统进行仿真预测,结果表明,与传统的BP神经网络、脊波神经网络和常规深度神经网络模型相对比,深度脊波神经网络预测模型的日平均绝对误差百分比分别降低了1.96%、1.12%和0.3%,日最大绝对误差分别降低了3.91%、2.19%和1.78%,验证了深度脊波神经网络预测模型具有较好的预测准确度和稳定性。     

某大型住宅小区的智能化设计方案

本文简要介绍了某大型住宅小区的智能化设计。     

超高层建筑智能化系统若干问题浅析

结合超高层建筑功能特点和智能化技术应用现状,提出超高层智能化设计要点,旨在探讨和提供适宜此类建筑特点的技术措施。     

某火车站的火灾自动报警系统设计

本文从保护对象等级、机房设置、探测器设置、火灾广播及消防联动五部分内容阐述了火车站火灾自动报警系统的设计思路和技术措施,以归纳火车站的火灾自动报警系统的设计特点。     

超高层建筑智能化设计要点

结合超高层建筑功能特点和智能化技术应用现状,提出超高层智能化设计要点,旨在探讨和提供适宜此类建筑特点的技术措施。     

基于脊波递归神经网络的短期负荷预测模型

为准确有效地预测电力系统负荷,本文提出了一种基于脊波递归神经网络(ridgelet recurrent neural network,RRNN)的电力系统短期负荷预测模型。采用脊波函数作为预测模型隐含层神经元中的激励函数,在网络模型的内部加入关联层,关联层节点可有效存储隐含层神经元的内部状态,增强了网络模型的反馈联接,并采用粒子群优化算法(particle swarm optimization,PSO)对网络的参数和权值进行优化,避免模型出现陷入局部最优解的问题。以某地区电网负荷系统作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络和常规脊波神经网络预测模型相比,本文所提出的预测模型的日平均绝对误差和日最大绝对误差均有所降低,具有较好的预测性能。该研究具有一定的实际应用价值。