基于马尔科夫链对BP神经网络法残差修正模型的短期风电功率预测

风电功率预测对大规模风电并网运行有重要意义。建立基于马尔科夫链对BP神经网络法残差修正模型的短期风电功率预测,通过对训练样本的学习,利用BP神经网络法进行风电功率初步预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链通过滚动预测对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于某风电场的风电功率预测中,结果表明了此模型的可行性,并为风电功率预测提供了新的途径。     

基于长短期记忆网络的短期空调冷负荷预测

提出了一种基于长短期记忆网络(LSTM)的短期空调冷负荷预测模型,仅采用历史负荷数据预测未来1 d的逐时冷负荷.通过与传统的BP神经网络模型进行对比,验证其准确性.为了进一步提高模型预测精度,对网络结构(包括输入层、输出层及隐含层神经元数量)与预测策略进行了优化,获得最优的预测模型.结果表明,基于LSTM的预测模型可实...     

基于LSTM模型的排水系统流量预测研究

排水系统流量预测对于城市水安全、污水厂优化运行具有重要意义。与需要复杂建模和大量地理信息数据的传统水文水力学模型不同，机器学习可以通过数据驱动实现排水系统的流量预测预警。结合流量数据的时序性，分别在单变量（流量）、双变量（流量和降雨）的情况下，采用5种长短期记忆神经网络（LSTM）模型（Vanilla LSTM、Stacked LSTM、Bidirectional LSTM、CNN LSTM、ConV LSTM）对江苏省无锡市某污水处理厂的进水流量进行预测。结果表明，Bidirectional LSTM最优的实验参数条件是：隐藏层单元数为250，训练轮数为200，训练集样本数为250；在同等条件下，Bidirectional LSTM相较其他4种方法可以更有效地预测未来流量；相比仅输入流量变量，在增加降雨变量后，可以提升近20%的流量预测精度。     

基于长短期记忆网络的TBM掘进预测模型及围岩等级对预测精度的影响

全断面隧道掘进机(TBM)施工过程可以采集大量丰富数据,这使得建立数据驱动的TBM掘进预测模型成为可能。为探究围岩等级信息对模型预测精度的影响,以TBM掘进循环上升段数据为主要输入,基于深度学习中的长短期记忆(LSTM)网络,建立两种考虑围岩等级信息的、一种不考虑围岩等级信息的TBM稳定段推力、扭矩预测模型。保持其他条件相同,对三种模型进行训练、测试。结果表明,在由于围岩等级分布不均匀而导致的训练样本数较少的情况下,可以通过精确的掘进循环参数提取与数据增强,使三种模型预测推力、扭矩时均能达到较高的精度(误差分别在8%、14%以内)。两种引入围岩等级信息作为输入参数的方法并不能明显提高模型的预测精度。三种模型中,以围岩等级信息作为LSTM网络初始状态的模型,其预测精度以不到1%的优势领先其他模型的预测精度。该优势主要由于该模型能够较好地预测V级围岩中的掘进循环稳定段参数。     

基于LSTM网络的地铁隧道运营期间沉降预测研究

为提高地铁隧道运营期间沉降变形预测的精度,本文提出了采用长短期记忆网络（LSTM网络）对运营期间的地铁隧道进行沉降预测。通过利用传统的反向神经网络（BP神经网络）和LSTM神经网络建立机器学习模型,通过2组深圳市某地铁隧道实测数据,对机器学习模型的预测精确度进行对比分析。实验结果表明：相比于传统的BP神经网络,LSTM网络模型预测误差较低,可降低20%左右;LSTM网络的预测结果与实测沉降值更为接近。研究成果表明将循环神经网络之一的LSTM网络引入运营期间地铁隧道的沉降预测中,可大幅度提升预测效果。     

城镇燃气日负荷预测模型比较研究

依据A、C市2015—2017年以及B市2016—2018年历史日负荷数据,针对不同用气结构城市不同季节的燃气日负荷进行预测,比较ARIMA模型、BP模型、RNN模型、LSTM网络模型的预测精度。结果表明,不同模型不同用气结构城市的预测精度不同,LSTM网络模型的适用性和预测精度在各城市均比较高。     

基于LSTM多变种模型的岩爆微震参数预测研究

岩爆是深地工程和深部资源开采中必须要解决的核心问题之一。基于改进的LSTM神经网络,提出了用于时间序列预测的LSTM微震多参数预测模型,包括单变量时序预测模型和多元平行序列预测模型。并以峨汉高速大峡谷隧道微震监测数据对模型进行验证,同时与多项式回归方法结果进行对比分析。结果表明:单变量预测模型中堆叠式LSTM(S-LSTM)的预测精度最高;多变量预测模型中卷积LSTM(CNN-LSTM)对累积视体积和能量指数具有最好的预测效果,且余下几种LSTM模型仍可准确实现各参数演化趋势的预测,其精度均优于多项式回归分析方法。研究可为正确识别岩爆当前活动及未来状态的危险性提供理论支撑,为及时掌握岩爆未来活动状态提供重要依据。     

基于LSTM-BPNN混合模型的天然气负荷预测研究

准确的天然气负荷预测对燃气公司的生产运营、调度规划和安全供气至关重要。传统的天然气预测模型往往无法充分利用输入特征之间的时序相关性,这限制了它们的预测精度。因此本文提出了一种基于长短期记忆神经网络(LSTM)和反向传播神经网络(BPNN)的混合模型用于天然气负荷预测,其中LSTM用于对输入特征进行重编码,BPNN用于学习重编码特征和用气量之间的映射函数。该方法充分利用了LSTM的时序特征提取能力和BPNN的拟合能力,旨在对用气量进行更准确的预测。本文采用浙江某天然气门站1年用气数据对该方法的性能进行了验证。结果表明,与极端梯度提升树、BPNN和LSTM相比,该方法具有更高的预测精度。     

超短期风电功率预测研究现状

本文将简述风电场超短风电功率预测误差对电力供应的影响,指出影响风电场超短期风电功率预测的因素,分析风电场超短期风电功率预测研究现状。     

基于机器学习LSTM方法的大面积高填土沉降预测

大面积高填土一般具有区域地质条件差异性大,工程参数取值变异性大的特点,传统的地面沉降预测方法和以有限元为代表的数值分析方法都难以保证大面积高填土长期沉降预测的准确性。因此,本研究引入机器学习的方法,采用长短时记忆(LSTM)网络建立了云南省巧家县移民安置用地大面积高填方沉降预测模型。基于65组监测点位的沉降监测据,前60%的实测沉降数据作为LSTM模型训练样本,预测后40%的沉降数据。结果表明,本文提出的LSTM模型预测值与实际测量值之间有着较好的一致性,85%的监测点预测误差在20%以内,证明了本文提出的LSTM模型能够应用于大面积高填方沉降预测。