基于灰色BP神经网络的道路交通事故死亡率预测

建立基于灰色BP神经网络的道路交通事故死亡率预测模型,并为其编制Matlab程序。将该模型与GM(1,1)模型进行比较分析,结果表明灰色BP神经网络能更好地预测道路交通事故死亡率。     

基于小波分析和灰色BP神经网络的滑坡位移预测

滑坡位移时间序列预测对滑坡灾害预警和防治具有重要意义。滑坡位移时间序列具有高度的非线性特征,含有大量噪音且采用常规非线性模型难以准确预测。对此,提出基于小波分析(WA)—灰色BP神经网络的滑坡位移预测模型。该模型先采用小波分析法将滑坡位移时间序列分解为不同频率分量的滑坡子位移,然后采用灰色BP神经网络对各滑坡子位移进行预测,在此基础上将预测得到的各子位移值相加,最终得到预测出的滑坡位移值。以GPS监测获得的郑家大沟滑坡#1监测点的位移时间序列为例,采用WA-灰色BP神经网络模型对其位移进行预测,并与WA-BP神经网络模型及未进行小波分析的单独灰色BP神经网络模型进行对比分析。结果表明,WA-灰色BP神经网络模型准确预测出郑家大沟滑坡#1监测点的位移值,且具有比WA-BP神经网络模型和单独灰色BP神经网络模型更高的预测精度。     

基于灰色关联度与BP神经网络的清河水库总氮浓度预测模型

为了实现清河水库总氮浓度的预测,建立了基于灰色关联分析的BP神经网络水质预测模型(GRABP),即采用灰色关联度的方法,选取总磷、挥发酚、化学需氧量、pH值、氨氮五项水质指标作为BP神经网络总氮预测模型的输入变量,根据五项最优影响因子与总氮浓度的对应关系,对模型进行了训练,并将训练好的模型应用于2016年8~12月的总氮浓度预测中。结果表明,GRA-BP网络模型较BP网络具有较高的预测精度,预测的相对误差均在5%以内,可为清河水库的水质管理提供科学的指导。     

基于改进灰色模型与BP神经网络模型组合的风力发电量预测研究

针对灰色模型在数据序列无规律的风力发电量预测中精度不高的问题,通过对原始数据的平滑处理改进灰色模型,并将改进的灰色模型与BP神经网络相结合构建组合预测模型,采用灰色关联法改进组合预测的权重系数。实例分析表明,改进的优选组合模型预测的准确度高于单一模型及传统的优选组合预测模型。     

基于新陈代谢无偏灰色神经网络的水质预测模型

针对水质参数样本数据少且非线性的特点,建立了新陈代谢无偏GM(1,1)与BP神经网络的组合预测模型,将通过新陈代谢无偏GM(1, 1)模型得到的数据集作为BP神经网络的输入,原始序列作为神经网络的期望输出,训练得到最佳BP神经网络。将该组合模型应用于乐山岷江大桥断面溶解氧浓度的预测,结果表明,相对误差均在3%以下,与传统灰色神经网络水质预测模型相比,该模型具有实时性及预测精度更高的优点。     

基于BP神经网络灰色回归组合模型的年最大负荷预测

为克服单一电力负荷预测模型的局限性,改善预测结果,提出了一种基于BP神经网络灰色回归组合模型的年最大负荷预测方法。在BP神经网络预测模型中,采用Levenberg-Marquardt算法对参数迭代过程进行优化;在灰色预测模型中,采用加政策因子处理法对原始数列进行改造以强化数列的递增趋势;在回归预测模型中,采用逐步线性回归法剔除对因变量影响较小的自变量。最后利用方差-协方差法对三种预测模型进行加权组合。以广州市2007—2016年实际数据对组合预测模型进行验证,并对广州市2017—2019年的年最大负荷进行预测。结果表明:所提方法预测精度较高且误差在工程允许范围之内,具有一定的工程实用价值。     

基于灰色关联分析的GA-BP网络需水预测模型研究

针对城市需水预测涉及因素众多、不同地区影响因子不尽相同且多寡不一及影响因子的选择直接决定需水量预测的结果与实际是否相符等问题,提出了灰色关联分析法、遗传算法和BP神经网络相结合的需水预测模型,并以南京市为例,通过灰色关联分析法筛选出主要影响因素,采用遗传算法优化BP神经网络,构建基于灰色关联分析的GA-BP神经网络需水预测模型。实例应用结果表明,该模型用于需水预测能够比较全面地考虑需水量影响因子,与传统BP网络相比,GA-BP网络预测精度更高,训练速度更快,可作为资料时间序列较短情况下一种较好的需水预测方法。     

轮古7井区低渗透油藏水锁损害实验评价及预测

针对低渗透油藏易受水锁损害的特点,介绍水锁损害机理,提出水锁损害实验室评价方法。同时,针对水锁损害实验评价既需要代表性的储层岩心,又耗费大量人力物力的缺点,介绍了BP神经网络原理和灰色系统理论,把两者引入水锁损害研究中来,将灰色GM(0,N)预测法和BP神经网络法有机结合,建立一种新的预测模型——灰色-神经网络预测模型,并分析其可行性,用计算机C语言程序实现了上述过程。以塔里木油田轮古7井区15块有代表性的岩心室内水锁损害评价结果为学习样本,另外5块岩心为预测样本,建立了灰色-神经网络水锁损害预测模型。预测结果表明,模型预测结果与实验室实测结果吻合程度较好。并通过与回归分析法、灰色GM(0,N)预测法和神经网络法这三种预测方法进行比较,发现灰色-神经网络水锁损害预测模型效果明显优于其他几种方法。     

基于小波BP神经网络的风电机组变桨系统故障预测

变桨故障是风电机组重要的停机故障之一,对变桨系统进行故障预测并提高预测精度,是风电开发的关键技术,不但保证电网安全运行而且减少运维成本。分析处理SCADA系统数据,提取相关联参数,即输出功率、风速、桨距角和转子转速。采用BP神经网络对系统进行模型训练,考虑到风电机组参数具有波动性、不确定性等,同时采用小波BP神经网络进行模型训练。建立变桨故障预测模型,预测未来15 d的变桨系统运行情况,用于制定合理的运维方案。通过MATLAB系统仿真研究,对比分析了预测模型性能指标、误差指标和输出数据图形,小波BP神经网络训练预测模型诊断精度比BP神经网络提高了17%,可信率提高了18%,诊断能力提高了15.4%,诊断误报率降低了17%。     

基于灰色关联分析-GA-BP模型的叶绿素a含量预测

为提高水体叶绿素a预测精度和收敛速率,提出一种基于灰色关联度分析和遗传算法优化BP神经网络预测水体叶绿素a的方法。即先采用灰色关联度分析法选取合适的水质指标作为输入因子,然后优化网络隐含层的结构参数,引入遗传算法优化BP神经网络的初始权值和阈值,最后以预测太湖叶绿素a为例进行比较分析。结果表明,优化神经网络隐含层数能进一步提高网络的预测精度、缩短训练时间;灰色关联分析-GA-BP模型相较于BP、GA-BP模型具有更高的预测精度和收敛速度,可为控制水环境监测和决策平台提供科学依据。     

碳排放约束下的江苏省煤炭消费量预测

能源是经济发展的基础,江苏省经济发展迅速,但是能源相对短缺。对影响江苏省主要能源结构的指标进行灰色预测,将灰色预测得到的未来十年的指标值输入完成训练后的BP神经网络中,得到未来十年的主要能源比例的预测值。     

ARIMA-BP组合分析模型在某心墙堆石坝沉降量预测中的应用

针对大坝变形监测中存在的大量小样本时间序列所具有的强非线性特性,引入组合建模的思想,综合应用ARIMA时间序列模型和BP神经网络模型实现了小样本大坝变形监测数据序列的分析,即先利用ARIMA时间序列模型对大坝变形监测数据进行拟合和预测,然后依据时间序列残差建立BP神经网络模型对残差进行预测,最后将两者结合以获得大坝变形的预测。实例分析表明,ARIMA-BP组合模型较单一模型的预测精度高,预测值更接近实测值。     

基于GA-BP的电站锅炉NOx排放特性建模研究

NOx排放模型是电站锅炉实时控制系统的基础。针对普通BP神经网络建模方法收敛速度慢和易陷于局部极值点的问题,提出基于遗传算法（GA）优化BP神经网络的建模方法。通过电站锅炉热态试验获取样本数据,对BP网络隐节点数进行优化后,建立了GA-BP模型。相比BP神经网络模型,该模型训练时间短,拟合误差大大降低。仿真试验表明：GA-BP模型性能得到改善,泛化能力明显提高,能准确预测NOx排放。GA-BP模型可为运行人员提供指导,也可作为电站锅炉实时控制系统的基础模型。     

基于灰色关联和ABC-BP神经网络的叶绿素a浓度预测

为预测太湖梅梁湾叶绿素a浓度,建立了基于灰色关联和ABC-BP神经网络的叶绿素a浓度预测模型,即通过灰色关联分析选取总磷、CODMn、水温、pH值、悬浮质为BP神经网络的输入变量,采用人工蜂群(ABC)算法优化网络权值与阈值,构造基于ABC算法优化的BP(ABC-BP)神经网络模型,预测出2014年1月~2015年12月的梅梁湾叶绿素a浓度。结果表明,经ABC算法优化后,BP网络模型预测梅梁湾叶绿素a浓度的最大绝对误差从3.54μg/L减小到1.28μg/L,最大相对误差从41.57%减小到20.62%,平均相对误差从8.83%减小到3.31%,可以提高梅梁湾叶绿素a浓度预测的准确性。     

基于BP神经网络的热管式真空管集热器热性能预测校正模型

基于BP神经网络建立了热管式真空管集热器热性能的预测校正模型.该模型采用了LM和BR两种网络训练方法,经实验数据验证,预测校正模型输出结果的最大相对误差为2.8%,平均相对误差为1.2%,而数学模型输出结果的最大相对误差为6.2%,平均相对误差为4.3%,证明此预测校正模型的预测校正效果较好.应用该集热器热性能预测校正模型,可较精确地预测出不同运行状态、不同环境下集热器的出口温度,提高了系统的仿真精度.     

基于神经网络的锅炉对流受热面灰污监测研究

采用多层前向型神经网络,对电站锅炉对流受热面的实时污染状况建立了监测模型。模型选取合适的参数组成输入向量,利用电站数据采集系统下载的实时机组数据,经规格化处理后对神经网络进行训练。结果表明,训练后的神经网络可以较准确地实现锅炉对流受热面的积灰状态的在线监测,为吹灰方案的最优化打下了良好的基础。