基于ISSA-BiGRU-Attention的短期电力负荷预测研究

为了提升短期电力负荷预测的精准度,提出了基于改进麻雀搜索算法（ISSA）优化的引入注意力机制（Attention）的双向门控循环单元（BiGRU）的预测模型ISSA-BiGRU-Attention。麻雀搜索算法的改进过程首先由引入非线性余弦调整因子和柯西变异算子改进的正余弦算法更新发现者位置;其次通过结合Levy飞行和T分布扰动算法更新加入者位置;最后引入精英反向学习策略赋予算法迭代时更好的寻优性能。实验结果表明,ISSA-BiGRU-Attention模型较其他方法预测效果更好,预测结果更稳定。     

基于ISSA-LSTM模型的短时交通流预测

针对现有模型对短时交通流预测精确度不高、模型参数难以确定的问题,提出一种基于改进的麻雀搜索算法(ISSA)和LSTM的短时交通流预测模型(ISSA-LSTM)。使用改进的ISSA算法优化LSTM的关键参数,减少参数的不确定性,从而构建预测精度高的交通流预测模型。该模型具备LSTM提取时序数据深层特征的能力,融合了SSA算法快速收敛和全局搜索的特点,并且改进了SSA算法麻雀最初位置分布完全随机的特点,使其能均匀地分布在各个区间,避免出现局部最优的可能。在真实的交通流数据集上进行验证,将模型的预测结果与BP、GRU、LSTM、PSO-LSTM和SSA-LSTM网络的预测结果进行对比。实验结果表明,ISSA-LSTM模型的RMSE相较于LSTM模型下降了3.263,MAE下降了1.87,MAPE下降了0.949百分点,R²上升了0.276百分点,相较于其他对比模型,组合模型的RMSE、MAE、MAPE、R²的评价指标效果均为最好。因此,ISSA-LSTM模型在短时交通流预测上有较高的预测精度和预测稳定性,对预测交通流有借鉴意义。     

基于BP-AdaBoost的电商短期销量预测模型

电子商务是伴随互联网技术快速兴起的一种规模大、潜力大的新型商业模式,对产品进行短期销量预测能够帮助电商企业对市场变化采取更加迅速的反应和措施.本文通过电商销量历史数据和门户商品链接点击量建立了一种应用于电子商务会计系统的短期销量预测模型.借助AdaBoost思想集合多个传统的BP神经网络的预测结果,使其具备更高的预测准...     

基于DE-BP神经网络的室内热舒适评价方法

本文从智能家居角度研究室内热舒适,分析热舒适评价方式PMV,指出其部分参数在智能家居场景中获取困难.提出在忽略风速和平均辐射温度的情况下,引入气候和环境特征来拟合PMV公式.研究使用经过差分进化算法(Differential Evolution, DE)优化后的BP神经网络算法(DE-BP)来建立拟合模型, DE算法优化神经网络的参数,神经网络训练使用动量加速的随机梯度下降算法,且增加了仿射变换的标准化层和L2正则化.测试结果显示模型在收敛速度、稳定性和泛化性能上比传统BP神经网络更优,在较小误差范围内可应用于计算热舒适度的系统中,降低其输入参量难度.     

短期电力负荷预测模型的建立与应用

研究短期电力负荷问题.电力负荷影响因子多,且含有噪音信息,传统短期电力负荷预测方法难以对其进行准确的预测,导致电力负荷精度低.为了提高短期电力负荷预测精度,提出了KPCA - BPNN的短期电力负荷预测模型.模型对电力负荷影响因素进行分析,并利用KPCA提取其主元特征分量,然后利用BPNN进行建模预测,最后对湖南某城市的短期电力负荷进行预测.仿真表明,KPCA - BPNN不仅加快了电力短期负荷预测预测速度,同时提高了电力短期负荷预测精度,是一种新型实用的电力系统短期负荷预测模型.     

基于SSA-BP的铁路沿线风速预测方法

精确的铁路沿线风速预测对提升列车运行控制和调度智能化水平起着关键作用。提出在BP神经网络的基础上采用麻雀搜索算法(SSA)对其进行优化,构建SSA-BPNN模型,新的模型优化了BP神经网络的阈值和权值,将SSA-BPNN模型与GA-BPNN模型的预测值进行对比。结果表明,两种模型均可对铁路沿线时间序列的风速进行预测,但SSA-BP算法的预测精度更高,预测性能更加良好,RMSE从1.3743减小到0.7803,R²则从0.8901增大到0.9363。     

基于改进神经网络的热网短期热负荷预测

针对供热系统供热量和需热量不匹配的问题和节能降耗的需求,提出一种基于改进神经网络的供热系统短期热负荷滚动预测方法。该方法利用动态的K-均值聚类算法确定RBF神经网络的隐含层中心,以实现对聚类中心的个数优化选择,再利用递归正交最小二乘法更新网络连接的权系数,训练RBF神经网络模型。每次预测时用实时数据更新一部分历史数据从而组成新的输入,再用训练模型预测下一时刻的热负荷,用于实现热网热负荷短期滚动预测。仿真结果表明,该方法与传统的神经网络预测方法相比,预测精度高,对热网系统短期热负荷具有良好的预测能力,能给热网控制器提供可靠的数据,使热网供热量和需求量相匹配,满足节能降耗的需求,具有一定的工程实用价值。     

基于事件驱动深度强化学习的建筑热舒适控制

住宅暖通空调系统通常耗用大量能源,同时也极大地影响居住者的热舒适性。目前,强化学习广泛应用于优化暖通空调系统,然而这一方法需要投入大量时间和数据资源。为了解决该问题,提出了一个新的基于事件驱动的马尔可夫决策过程（event-driven Markov decision process,ED-MDP）框架,并在此基础上,提出了基于事件驱动的深度确定性策略梯度（event-driven deep deterministic policy gradient,ED-DDPG）方法,通过事件触发优化控制,结合强化学习算法求解最优控制策略。实验结果显示,与基准方法相比,ED-DDPG在提升学习速度和减少决策频率方面表现出色,并在节能和维持热舒适方面取得了显著成果。经过实验验证,该方法在优化住宅暖通空调控制方面展现出强大的鲁棒性和适应性。     

改进神经网络的短期负荷预测模型及仿真

在电力负荷准确预测问题的研究中,电力负荷具有周期性、随机性和非线性的特点,而传统方法存在负荷预测精度低的难题,为了提高负荷的预测精度,提出一种改进神经网络的短期负荷预测模型(CPSO-BPNN).首先利用非线性预测能力强的BP神经网络对短期负荷建模;然后结合混沌粒子群优化算法挖掘短期负荷的变化规律以提高短期负荷预测精度;最后对模型性能进行仿真.仿真结果表明,CPSO-BPNN解决了传统方法存在的难题,提高了短期负荷的预测精度,为非线性负荷预测提供了依据.     

基于EMD改进的Elman神经网络对股票的短期预测模型

Elman神经网络在短期预测股市收盘价时存在预测趋势良好但准确度较低的问题。在Elman神经网络的思想上提出以经验模态分解EMD为基础的Elman新组合模型。应用EMD将各交易日的收盘价序列分解成不同时间尺度上的本征模函数IMF分量和剩余分量,进而利用偏自相关函数PACF计算每一个分量的滞后期,以确定各分量在Elman神经网络中的输入和输出变量,从而得到各分量的预测值,相加得到最终的预测结果。与EMD单一网络、EMD-Elman模型、BP网络及EMD-BP模型进行实验对比,结果表明:该短期预测模型的预测值均方误差、平均绝对误差和平均绝对百分比误差都得到较大的改善;新组合模型可有效实现对股票收盘价的短期预测,且能降低非平稳性对预测结果的影响。该研究为进一步预测股市的走向提供了有效依据,也为投资者提供了更充分的决策参考。     

基于改进的粒子群算法优化反向传播神经网络的热舒适度预测模型

针对热舒适度预测是一个复杂的非线性过程,不便于空调的实时控制应用的问题,提出一种基于改进的粒子群优化(PSO)算法优化反向传播(BP)神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值,改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时,针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点,提出了相应改进策略,进一步提高了PSO优化BP神经网络的能力。实验结果表明：与传统BP模型和标准PSO-BP模型相比,基于改进的PSO-BP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。     

基于时间序列与BP-ANN的短时交通流速度预测模型研究

针对现有的交通流速度预测模型使用唯一数据集且模型单一的问题,提出一种时间序列与人工神经网络相结合的预测模型。该模型通过时间序列分别对实时数据和历史数据建模预测,并应用人工神经网络调整实时数据和历史数据的预测值。实验结果表明该预测模型能够将预测误差控制在7%以内,且能够对不同输入参数下的短时交通流速度进行有效预测。     

考虑可变环境因素的公共自行车短期需求预测模型

现有公共自行车短期需求预测模型忽视了不同环境因素影响用户需求的性质差异和可变环境因素的时间依赖性。将环境因素区分为已内化于需求的不变因素和需要单独考虑的可变因素,提出一种用图卷积神经网络（GCNN）捕获用户需求的非欧氏空间依赖、用长短期记忆（LSTM）网络捕获用户需求和可变环境因素的时间依赖、通过向量拼接和全连接网络将可变环境因素的影响施加于用户需求的GCNN-LSTM-E模型。实验结果显示,GCNN-LSTM-E模型在1 h时间粒度下的预测性能最优,而且优于所有基准模型的预测性能。说明该模型的设计合理有效,1 h是最合适的时间粒度。     

基于ACS优化BP神经网络的交通流量短时预测方法

交通流量预测是智能交通系统中非常重要的研究领域,因为交通流量的复杂性,传统的预测方法不能很好地预测。提出一种基于[t]分布自适应变异优化的布谷鸟算法,通过动态变异控制尺度和设置多个自由度来构造自适应变异算法,可以获得优于高斯变异和柯西变异的整体优化效果。在此基础上,提出改进布谷鸟搜索算法优化神经网络的交通流量预测模型（ACS-BPNN）,通过优化BP神经网络的初始权值和阈值参数,以提高短时交通流量预测精度。仿真结果表明,该方法取得比较好的预测结果。     

A fuzzy neural network model for predicting clothing thermal comfort

This paper presents a Fuzzy Neural Network (FNN) based local to overall thermal sensation model for prediction of clothing thermal function in functional textile design system. Unlike previous experimental and regression analysis approaches, this model depends on direct factors of human thermal response — body core and skin temperatures. First the local sensation is predicted by a FNN network using local body part skin temperatures, their change rates, and core temperature as inputs; then the overall sensation is predicted. This is also performed by a FNN network. The FNN networks are developed on the basis of the Feed-Forward Back-Propagation (FFBP) network; the advantage of using fuzzy logic here is to reduce the requirement of training data. The simulation result shows a good correlation between predicted and the traditional experimental data.     

面向高铁站的热舒适度和能耗综合预测

针对高铁站这类半封闭建筑的热舒适度影响因素众多,影响机制复杂以及热舒适度与能耗存在背反等问题,提出了基于机器学习的高铁站热舒适度与能耗综合预测方法。首先采用传感器数据捕获及Energy Plus仿真两种方式对高铁站室内外状态、多联机及热交换机等控制单元及热能传导环境进行建模;其次提出影响高铁站热舒适度的八类因素——多联机开启台数、多联机设置温度、热交换机开启台数、客流密度、室外温度、室内温度、室内湿度和室内二氧化碳浓度,并设计424种模型运行工况以及3 714 240个实例;最后设计6种机器学习模型——深度神经网络、支持向量回归、决策树回归、线性回归、岭回归和贝叶斯岭回归,来对高铁站室内热舒适度和空调能耗进行有效预测。实验结果表明,6种机器学习模型中决策树回归预测模型能够在较短的时间内获得最优的预测性能,其平均均方误差低至0.002 2。所得研究成果可直接为下一阶段的温控策略提供主动预判的环境状态参数并实现实时决策。     

交通流量经验模态分解与神经网络短时预测方法

基于经验模态分解（EMD）和神经网络,提出了一种短时交通流量预测方法。通过EMD分解把交通流量分解成不同的模态,利用神经网络对分解后的各分量进行预测,再将预测值累加得到最终的预测结果。利用EMD与神经网络模型对I-800数据库实测交通流量数据进行预测,结果表明该方法具有很高的预测精度,明显优于直接采用神经网络的预测结果。     

基于双时间序列神经网络的短期电网负荷预测

短期电网负荷预测是电网安全运行和经济调度的基础。现有预测方法存在对节假日预测不准确,不利于系统化等问题。根据短期负荷周期性变化的特点,创造性地提出双时间序列神经网络模型。同时为了克服实际温度数据缺失问题,提出一种新的温度量化方法。在广东省某地区的实际应用表明,该方法对于普通日和特殊日都取得了有较好的预测精度。     

基于改进WNN的城市轨道交通客流量预测

针对城市轨道交通短时客流量预测问题,提出了一种基于自适应[t]分布变异的蝙蝠算法（ATM-BA）优化的小波神经网络（WNN）预测模型（ATM-BA-WNN）。在基本蝙蝠算法（BA）中引入带有线性递减控制因子的自适应[t]分布变异,使其具有变异机制,能够跳出早熟收敛。并将ATM-BA与WNN两者相互耦合,利用ATM-BA优化WNN的参数配置,进而提高WNN的预测精度。运用ATM-BA-WNN模型对郑州地铁1号线短时客流量进行预测,并与传统的WNN预测模型、BA优化的WNN（BA-WNN）预测模型以及支持向量机（SVM）预测模型进行比较。仿真结果表明,相较于其他3种模型,所建预测模型预测精度最高,拟合能力更强,误差最小,从而证明了该模型在短时客流量预测领域的可行性及优越性。