基于神经网络的城市燃气短期负荷预测

采用VC语言编写基于神经网络技术的城市燃气短期负荷预测模型,经实例验证可以较精确地预测出城市燃气短期负荷.预测模型在权值修正项中引入动量项以加速收敛,在数据输入时引入噪声,以提高网络的泛化推广能力.     

燃气小时负荷的模糊神经网络预测

分析了燃气负荷运行变化规律，研究了负荷模型分类模式，采用改进模糊神经网络进行小时燃气负荷预测。     

基于径向基神经网络的燃气日负荷预测

建立了径向基神经网络预测模型,进行了实例运算。这种预测方法满足预测需要,训练速度快。     

城市燃气负荷预测数据库系统的设计

介绍了自主开发的燃气负荷预测数据库系统的结构与功能。结合工程实例,论述了系统的燃气负荷预测和指标统计功能。该系统处于试运行调试阶段,各项功能基本满足要求。     

神经网络在城市燃气短期负荷预测中的应用

文章简述了神经网络的基本特点,详细介绍了BP网络、RBF网络以及小波神经网络在城市燃气负荷预测领域的研究和应用现状,对三种神经网络进行比较,并分析了神经网络预测法的优缺点。     

基于BP神经网络城市燃气短期负荷预测

论述了BP神经网络的预测模型结构,提出了基于该模型的城市燃气短期负荷预测方法和程序流程,结合某城市燃气负荷数据进行了燃气负荷模拟预测,预测结果和实际情况有很好的一致性。     

人工神经网络法燃气日负荷预测输入变量选取

研究了RBF神经网络在城市燃气日负荷预测中的应用及输入变量的选择问题,提出了基于逐步回归的输入变量选取方法。对实例进行了预测,对不同输入变量方案进行了对比分析。以逐步回归选取的输入变量为基础,增加日期类型、前一天平均气温两项数据作为输入变量,完全满足神经网络用于城市燃气日负荷预测精度的要求,且合理可行。     

基于支持向量机的燃气短期负荷预测

介绍支持向量机的原理和支持向量回归模型,提出支持向量回归(SVR)模型的城市燃气短期负荷预测方法。探讨输入样本数据的选择和预处理方法、核函数和支持向量机参数的选择,结合某城市燃气日负荷数据进行燃气短期负荷预测。与BP神经网络预测方法相比,支持向量回归模型预测方法用于小样本情况下的燃气短期负荷预测精度略高。     

基于OIF-Elman神经网络的燃气日负荷预测

与传统的Elman神经网络相比,采用具有输出一输入反馈机制的改进Elman(即OIF-Elman)神经网络对燃气日负荷进行预测,不仅计入了隐层节点的反馈,而且考虑输出层节点的反馈,以便从有限的训练样本中获得更多的信息.预测结果表明,在样本较少时,无论在训练速度上,还是在预测准确度上,OIF-Elman网络明显优于Elman网络.     

数据规格化在燃气负荷预测的应用

探讨了燃气负荷预测中规格化处理方法,建立了径向基神经网络燃气负荷预测模型。结合实例,对分别采用最大最小、零均值规格化处理的预测结果进行了比较,后者的精度较高。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

基于人工神经网络的城市煤气短期负荷预测

应用人工神经网络误差反应传播模型对城市煤气管网的短期负荷进行了预测。根据城市煤气短期负荷变化的特性建立了既反映煤气负荷连续性,周期性及其变化趋势,又包含天气,气温,节假日等因素影响的短期负荷预测模型,并介绍了方法在实际中的应用。     

小波网络应用于空调负荷预测

准确预测空调负荷不仅对蓄能空调高效运行意义重大,而且也是冷热电三联产技术发挥优势的关键所在。本文提出一种小波网络应用于空调负荷的预测模型,通过小波分解,把空调负荷序列分解为不同频段的小波系数序列,再将各层的小波系数子序列重构到原尺度上,然后对小波系数序列采用相匹配的BP神经网络模型进行预测,最后合成空调负荷序列的最终预测结果。该预测模型中的低频小波系数a3和中频小波系数d3的神经网络输入变量为前1天小波系数值和对应时刻的温度、相对湿度、风速、总辐射量、天气状况和星期几编码共7个因子,并采用主成分分析法进行输入变量的降维;高频小波系数d2和d1以前几日的小波系数为输入因子。经过对西安市某综合楼的空调负荷进行预测,证明了预测值和实际运行值拟和很好,相对误差为-10%~8%。该预测模型具有预测精度较高、推广能力较强及计算速度较快的优点。     

基于神经网络的空调系统负荷预测研究

以北京某建筑的空调系统作为实例研究对象,在所采集的3年实测数据基础上,主要探讨了基于ELMAN神经网络的日冷负荷预测方法和误差。用多元线性回归方法分析了日冷负荷神经网络预测模型输入参数对输出结果的影响度。最后经实验验证,以3周以上历史数据为训练集经多次预测后取平均值,具备较高的预测精度,同样可以指导工程实际设计。