基于改进Bagging算法与模糊MP-LSTM融合的短期负荷预测模型

为提高负荷预测精度,提出一种基于改进Bagging算法与模糊最小窥视孔长短期记忆(Min peephole long short-term memory,MP-LSTM)融合的短期负荷预测模型.MP-LSTM模型相较于传统长短期记忆网络(Long short-term memory,LSTM)模型舍弃了输入门和输出门,...     

基于Bagging神经网络集成的风功率预测

鉴于准确预测风功率对风电并网系统安全、稳定运行具有重要意义,提出了基于Bagging神经网络集成的风功率预测模型。先利用拉伊达(3σ)准则对数据进行预处理得到有效的风机数据,结合灰色关联度和Relief算法对数据进行特征提取;其次在Bagging集成学习中使用Bootstrap抽样,随机产生K个训练集并用自组织RBF神经网络(ErrCor-RBF)分别对风功率进行预测;最后叠加K个预测结果取均值得到最终预测结果。仿真结果表明,Bagging神经网络集成的风功率预测模型性能更好、预测精度较高。     

基于集成学习的涡扇发动机剩余寿命预测模型

为了解决涡扇发动机的监测数据维数高、时间跨度长、给预测发动机剩余使用寿命带来困难的问题。本文提出了一种基于集成神经网络模型的发动机寿命预测系统,采用集成学习中的Stacking方法对单一的学习器进行集成来预测涡扇发动机的剩余使用寿命(RUL)。模型在NASA公共数据集C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)上进行了发动机寿命预测实验验证,并与常用的机器学习方法和单一神经网络进行了比较。实验结果表明：模型在多种评价方法上综合表现最佳,且在超前预测上表现良好。     

基于人工神经网络和模拟集成的短期光伏发电预测

文章提出了一种基于人工神经网络(ANN)和模拟集成(AnEn)的短期光伏发电预测方法。该方法首先利用数值天气预报模型,以计算天文变量为输入,对光伏发电站点进行72 h的确定性和概率预测;然后分别运用基于ANN,AnEn和ANN+AnEn联合模型方法对3个光伏发电站点进行预测,并进一步利用模拟4 450个光伏电站的综合数据验证了该模型方法的可扩展性;最后利用美国国家大气研究中心(NCAR)的黄石超级计算机,在1个节点(32核)～4 450个节点(141 140核)内测试了该方法的并行运算处理能力。实验结果表明,基于ANN+AnEn联合模型方法可以获得最佳结果,同时证明了该方法适用于大规模并行计算。     

基于模糊数学和RBF神经网络的事故预测

对于能源和化工装置,在其运行过程中根据有关变量的发展趋势,预测事故,有着极其重要的意义。人们对此开展了广泛的研究,特别在应用智能化软件解决此类问题方面做了较多的工作,并取得了一系列的成果。     

基于IFOA-GNN的土石坝施工期位移预测模型

有效预测土石坝施工期的位移对大坝安全运行具有重要意义。针对基于智能学习的大坝位移预测模型存在的不足,提出了一种基于改进果蝇算法(IFOA)与灰色神经网络(GNN)相结合的土石坝位移预测模型,即通过改进的果蝇算法迭代调整灰色神经网络的权值和阈值,得到全局最佳的初始化参数,将其结果输入灰色神经网络,并将其应用于某土石坝施工期位移预测。结果表明,该预测模型预测精度高、预测结果稳定,且精度及稳定性均优于灰色神经网络模型(GNN)和果蝇算法与灰色神经网络(FOA-GNN)预测模型。     

热负荷预测的RBF神经网络预测方法研究

由于BP神经网络存在一些缺点,本文采用RBF神经网络方法用于热电厂热负荷预测。预测结果表明：用本文的方法进行热负荷预测得到了十分满意的结果。     

双模式分解CNN-LSTM集成的短期风速预测模型

为提高短期风速的预测精度,提出一种基于双模式分解、双通道卷积神经网络（CNN）和长短期记忆神经网络（LSTM）的组合预测模型以提高预测精度。首先,对经过PAM方法聚类后的风速时间序列利用奇异谱分解（SSD）和变分模态分解（VMD）2种信号分解方法进行分解,获得2类多尺度分量。不同模式的多尺度分量可降低原始风速的复杂度和非平稳性,实现不同模式模态分量规律的互补;其次,将2种分解方法得到的风速子序列合并为一个矩阵,输入到双通道CNN进行波形特征深度提取;最后,采用LSTM建立历史风速时序的时间依赖关系,在时空相关性分析的基础上得到最终风速预测结果。实验结果表明,基于双模式分解-双通道CNN-LSTM的组合预测模型可有效提高风速短期预测的精度。     

基于Stacking集成算法的抛石护岸水毁破坏预测研究

抛石护岸在顶冲等极端情况下易发生水毁破坏,给人民的生命财产带来威胁。通过水槽试验获取496组样本数据,利用互信息(MI)筛选出6个关键特征属性,并采用支持向量机(SVR)、广义回归神经网络(GRNN)和随机森林(RF)等机器学习算法构建多个预测模型。然后,将这些模型作为基学习器,结合BP神经网络(BPNN)作为元学习器,采用Stacking集成学习方法构建抛石护岸破坏程度预测模型。最后,通过决定系数(R²)、均方根误差(R_RMSE)及平均绝对误差(M_MAE)等评价指标对模型性能进行评估。结果表明,Stacking模型在抛石护岸破坏高度、长度、范围上的平均R²为0.98、R_RMSE为0.02、M_MAE为0.03,相较于单一模型(SVR、GRNN、RF),Stacking模型的R_RMSE、M_MAE皆为最小,R²最高。在抛石护岸水毁破坏程度的预测中,融合的Stacking模型展现出更高的准确性与稳...     

基于RBF-BP组合神经网络的地震预测研究

针对地震预测中预测因子高度非线性、训练样本数量有限及分布不均匀的问题,提出采用RBF-BP组合人工神经网络对地震预测因子样本进行建模和预测,并用RBF神经网络初步训练预测因子样本,将训练结果输入BP神经网络,根据期望输出值加强训练.实例分析表明,该预测方法可行并能有效提高地震预测精度.     

给水厂的节能措施

机泵是给水厂的主要用能设备,水泵的节能是给水厂节能的主要方面.水泵改型更新、调速节能和供水经济运行等是给水厂节能的有效方法.文章就给水厂节能措施和节能效果进行了分析.介绍了通过调整运行工况达到的节能效果.     

灰色GM(1,1)和神经网络组合的能源预测模型

能源消费预测是制定能源规划的重要组成部分。鉴于能源消费系统复杂性和非线性的特征，文章结合某省能源消费的历史数据，首先用灰色预测和神经网络建立了单项预测模型．并对单项预测模型的优缺点进行了分析，然后采用最优组合权重的方法进行优化组合，从而获得更为精确的预测模型和预测值。实例的预测结果表明该模型可以作为能源消费预测的有效工具。     

基于异构粗糙神经网络集成的故障诊断研究

将粗糙集与神经网络集成相结合,提出一种基于异构粗糙神经网络集成进行故障检测的方法。首先利用粗糙集的属性约简能力,从给定数据集中去除冗余信息;然后基于负相关学习理论构造多个异构成员神经网络,最后组合多个训练好的异构神经网络进行故障诊断。该方法不仅显著提高了神经网络的泛化能力,而且无需预先确定神经网络的拓扑结构,简单易用。设计了四种不同的诊断器在柴油机供油系统的标准样本集上进行的诊断测试实验,结果表明,基于异构粗糙神经网络集成的故障诊断方法具有最好的诊断正确率。     

基于变分模态分解和集成学习的光伏发电预测

针对光伏发电量数据的非平稳性造成的发电量预测性能问题,提出一种基于改进变分模态分解和集成学习的光伏发电量预测方法。采用改进变分模态分解方法分解光伏发电量数据获得发电量分量,通过集成学习方法构建发电量分量预测模型;将发电量分量预测值进行组合,获得最终发电量预测结果。实验结果表明,所提方法在公开数据集上对光伏发电量进行预测的均方误差、平均绝对误差、决定系数值分别为0.223 2,0.338 7,0.979 7,与其他方法相比具有更高的预测准确率和更小的误差。     

GA Elman多元变量需水预测模型及其应用

针对传统静态前馈神经网络动态性能差、预测精度不高等问题,以上海市需水预测为例,提出一种基于遗传算法(GA)优化Elman神经网络连接权值的GA-Elman模型,并与GA-BP、Elman、BP需水预测模型做了对比。结果表明,GA-Elman需水预测模型行之有效,预测平均相对误差和最大相对误差分别仅为2.764%和6.578%,优于其他预测模型,具有较好的预测精度和泛化能力。     

基于ROLS算法的RBF神经网络燃料电池电特性建模

提出了一种基于ROLS算法的RBF神经网络辨识建立直接甲醇燃料电池(DMFC)电特性模型的新方法。以电池的工作温度为输入量,电池的电压／电流密度为输出量,利用1200组实验数据作为训练和测试样本,建立了在不同工作温度下,电池的电压／电流密度动态响应模型,仿真结果表明采用RBF神经网络辨识建模的方法是有效的,建立的模型精度较高。     

基于MATLAB的集成神经网络在给水泵故障诊断中的应用

针对大型火电站电动给水泵常见的振动故障,采用基于MATLAB的集成神经网络对给水泵的振动故障进行诊断。从单个神经网络开始,从信息融合的角度建立了集成神经网络故障诊断方法,探讨集成神经网络的实现策略和组建原则,并给出给水泵振动故障诊断的实例,证明该诊断方法提高了故障确诊率。     

基于粗糙集理论的遗传神经网络风速预测模型

风速预测对风电场和电力系统的运行具有重要意义。为了提高风速预测的精度,提出了一种新的风速预测方法——基于粗糙集理论的遗传神经网络模型。由于影响风速预测的因素很多,利用粗糙集理论的属性约简对神经网络输入的影响因素进行约简,识别出与预测风速相关性较大的影响因素作为输入量,减少了神经网络的计算量;利用全局搜索能力强的遗传算法对神经网络的初始权值进行优化,克服了神经网络收敛速度慢和容易陷入局部极小的缺点。实例结果表明该算法能够有效地提高预测的速度与精度,证明了该方法在风速预测中的可行性和有效性。     

考虑测风数据缺失的短期风电功率预测算法

准确的风电功率预测是提高电网稳定性、增加风电场竞争力的重要途径。文章提出了一种以虚拟测风塔技术对测风塔数据进行预处理的方法,对缺失数据进行补全,利用RBF神经网络建立风速预测模型,拟合风速功率曲线得到风电功率预测结果。实验分析显示,基于虚拟测风塔技术的数据预处理方法可有效增加测风数据完整度,提高预测精度,降低风电场的运行维护成本,进一步提高风电场竞争力,具有实际应用价值。     

饮用水的消毒及其消毒副产物的控制

阐述消毒工艺的发展历程和常用的消毒方法,对不同的消毒方式产生的不同消毒副产物(DBPs)及其危害进行分析,归纳国内外常用的控制DBPs技术方法。指出多级组合工艺既可有效去除水中DBPs的前体物质,又可去除已生成的DBPs,是一种较稳妥的DBPs控制技术;认为从水源保护入手,从源头上控制污染物的排放才是控制消毒副产物的根本途径。