基于庞大算例变量提取的办公建筑能耗预测方法及应用

模拟法应用专业软件，可准确计算动态能耗，但输入参数烦琐且建筑几何模型确定后往往无法更改；数据挖掘法计算速度快，适用条件多样，但是需要长时间历史数据进行训练，效果受样本数据限制.针对以上问题，提出一种基于庞大算例变量提取的办公建筑能耗预测模型，利用EnergyPlus建立批量典型建筑模型，调整建筑参数生成百万条数据作为训练数据集；采用LightGBM算法，筛选影响负荷的特征因素，构建负荷预测模型；结合EnergyPlus中空调设备能耗计算模型，应用python编译实现能耗预测，并在北京某办公建筑中进行应用和验证.结果表明，筛选的24维特征变量，可保证模型预测准确度在90%以上，逐日能耗的预测平均相对误差为8.27%.应用标准年气象参数计算全年建筑能耗，逐月平均相对误差为10.37%,建筑实际能耗指标为35.20 kW·h/(m²·a),预测能耗指标为36.25 kW·h/(m²·a),相对误差为2.98%.     

基于模态分解与误差修正策略的原油价格组合预测研究

为进一步提高原油价格的预测精度,基于互补集合经验模态分解(CEEMD)和经过粒子群算法(PSO)优化的BP神经网络构建了一种用于原油价格预测的组合模型。该模型共包括原油价格的初始预测、误差序列的提取及预测和初始预测结果的误差补偿。使用WTI和Brent原油现货价格日度数据对所提组合模型的有效性进行了验证,实验结果表明:本文提出的误差预测方法可以准确地刻画误差序列的演化规律;基于误差补偿的原油价格组合预测模型可以显著地提高单一模型的预测精度。     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

融合BP神经网络与ARIMA的短时交通流预测

为了能在交通管理中提前采取措施规避可能存在的交通拥挤或堵塞,提出了一种高效可靠的短时交通流预测算法.首先采用BP神经网络与自回归求和滑动平均(ARIMA)两种方法分别建立单项预测子模型,再以BP神经网络作为最优非线性组合模型的逼近器,建立组合预测模型,对单项预测子模型的预测值进行融合,由此得到最终的预测结果.通过MATLAB与SPSS平台对实测交通流量数据进行了仿真分析,结果表明,该种组合预测方法是切实可行的.     

基于乘积季节ARIMA模型的供热负荷预报

针对传统的供热调度缺乏对未来供热量进行有效估计这一问题,提出一种基于乘积季节ARIMA模型的供热负荷预报方法.将乘积季节ARIMA模型引入供热负荷预报,通过分析供热负荷数据其固有的趋势和周期性,建立适宜的季节性ARIMA模型,预测未来24小时的供热负荷.采用大庆地区某热力站的供热数据进行建模和仿真预测,其结果的最大误差为3.14%,日预报平均误差为1.45%.实验结果表明,给出的预报结果真实可靠,能够满足供热工程的实际需求,其预报值将成为供热负荷调度和节能的重要依据.     

基于ARIMA和SVR的短期电力负荷预测

为提高用电量的预测精确度,将自回归差分移动平均(ARIMA)与支持向量机(SVR)模型相结合来进行预测。以用电数据为研究对象,借助ARIMA模型实现对电力数据的线性趋势预测,通过SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA＿SVR模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。     

基于BP神经网络的面粉气力输送工段能量损耗研究

小麦制粉中除研磨工段能量消耗外,气力输送工段也是能耗的一个主要方面,分析气力输送能耗模型是降低面粉气力输送工段能量损耗的基础。然而气力输送模型非线性强、设备匹配参数冗余度大,以及管路压损波动性大。综合考虑生产过程中粉料的状况与输送能耗之间呈现的非线性关系,选择具有较强自适应能力和自组织能力的BP神经网络调节设定处理数据的训练、测试比例和模型训练过程中的总误差和循环次数等参量,建立面粉气力输送工段能耗模型。选取河南某面粉厂500 t/d产能的制粉车间的气力输送工段,采集能耗相关的每小时加工吨麦、麦粒湿度、送风量实测数据为样本,对建立的能耗模型进行训练、预测、验证,结合该厂生产车间设备参数、管路铺设标注和单位生产量推测出吨麦电耗与计量值对比。结果表明:利用BP神经网络拟合算法,建立气力输送工段能量损耗模型可行,且该数学模型可以较好地反映面粉气力输送工段能耗情况,模拟值能够较为准确地预测面粉气力输送工段能耗情况,误差不超过7%。     

基于ARIMA与RBF组合模型的短时交通量预测

通过对柳州市某对称交叉路口交通量状况的调查分析,提出一种基于自回归求和滑动平均(ARIMA)与径向基函数神经网络(RBF)非线性组合模型的短时交通量预测模型,利用实测数据对组合模型和单一模型进行仿真实验.实例分析表明:组合模型的预测结果比单一模型更加精确,适合于实时的短时交通量预测.     

三种方法在风速预测中的应用研究

对持续法、ARIMA和BP网络三种方法在提前1 h风速预测中的应用进行了研究和比较。为消除季节对预测结果的影响,针对一年12个月分别建立预测模型;认为风速具有不平稳性,应该对原始风速序列进行差分处理;通过对样本数据进行相关性分析来确定神经网络的输入神经元个数;结果表明:大多数情况下,ARIMA模型和BP网络模型的预测结果都好于持续法,并且BP一般都好于ARIMA;但也有持续法好于ARIMA和BP网络模型的情况。不能笼统地说某个方法优于另外一个方法,应该根据具体情况进行分析和判断,选择合适的模型种类,以取得最优预测效果。     

基于BP-RBF神经网络的组合模型预测港口物流需求研究

为了准确、高效地预测港口物流需求量,提出一种基于BP-RBF神经网络的组合预测模型.考虑到物流需求的非线性变化特点,在建模过程中首先采用BP与RBF两种神经网络方法分别建立单项预测子模型,然后依据各子模型预测结果赋予不同权重进一步构建加权组合预测模型.再以汕头港为例,通过MATLAB软件对港口物流需求量进行仿真预测.结果表明,组合预测模型较单一预测模型具有更高的预测精度,能有效减少出现较大误差的概率,使预测结果更接近于实际情况,可为港口今后物流发展规划提供参考.     

数控机床故障时间的灰色神经网络复合预测

为了提高数控机床的可靠性,需要对其工作故障时间进行预测.基于等维新息观点,分别用灰色系统多次残差修正模型和神经网络等2种单一预测方法和等维新息递补神经网络组合预测方法对机床故障观测数据进行了预测,结果显示复合预测误差小于单一预测误差,模型有较高的预测精度.     

基于ARIMA 误差修正预测的Klobuchar 模型精化

为了提高目前传统Klobuchar 模型电离层延迟改正精度仅有50%~60%的修正率的现状, 提出一种基于ARIMA 误差修正预测的精化方法。 采用IGS 中心提供的电离层观测数据, 利用双频改正模型解算的电离层VTEC 值作为参考值, 使用ARIMA 模型对每个历元前8 天Klobuchar 模型和参考值之间的偏差值进行2 天的短期预测, 对Klobuchar 模型加以偏差预测改正数进行改进。 采用算例将参考值检验改进的A-Klobuchar模型的预报精度与Klobuchar 模型的预报精度进行对比, 结果表明: 改进后的A-Klobuchar 模型的精度明显高于Klobuchar 模型, 其总体预报精度达到了77. 17%, 能更显著地反映出电离层的周日变化特性。     

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.     

基于LM-BP神经网络的建筑能耗在线预测

由于神经网络不需要建立复杂的数学模型,因此基于BP神经网络的建筑能耗预测引起广泛关注.但标准BP神经网络收敛速度慢,不适于建筑能耗在线预测,因此采用了LevenbergMarquardts算法对标准BP神经网络加以改进,并将其应用于某建筑未来24小时的整点电量负荷预测.实验结果表明,改进的神经网络明显提高了训练速度,为建筑短期负荷的在线预测提供了一种方法.     

基于BP网络算法的大地测量误差检测技术

针对大地测量检测时间长、检测过程成本较高,且检测结果准确度较低的问题,提出一种基于BP神经网络算法的大地测量误差检测方法.对大地测量的基本原理进行分析,通过对测量所得数据的综合计算得到待测量目标相对位移及旋转角度相关测量结果,构建基于BP网络的测量误差预测模型;将测量结果输入模型,得到的输出值即为预测误差,利用动态贝叶斯检验算法判断测量结果是否准确.结果表明,所提测量误差检测方法的检测结果准确率在90%以上,且检测过程所需时间与成本消耗低于实验对比方法,证实了所提方法的检测准确率及检测效率.     

基于BP网络算法的大地测量误差检测技术

针对大地测量检测时间长、检测过程成本较高,且检测结果准确度较低的问题,提出一种基于BP神经网络算法的大地测量误差检测方法.对大地测量的基本原理进行分析,通过对测量所得数据的综合计算得到待测量目标相对位移及旋转角度相关测量结果,构建基于BP网络的测量误差预测模型;将测量结果输入模型,得到的输出值即为预测误差,利用动态贝叶斯检验算法判断测量结果是否准确.结果表明,所提测量误差检测方法的检测结果准确率在90%以上,且检测过程所需时间与成本消耗低于实验对比方法,证实了所提方法的检测准确率及检测效率.     

磨齿机电主轴热特性及热误差建模

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出基于模糊神经网络（FNN）建立电主轴热误差模型的方法.分析电主轴内部的热生成和热传递机理,得到内部的传热规律.通过计算热载荷和边界条件,利用有限元分析（FEA）软件对电主轴系统的温度场和热变形进行数值模拟,得到电主轴系统中温升和热变形最大的部位.通过电主轴热误差实验获得温度和热变形数据,分别训练模糊神经网络和BP神经网络,建立温度场和热变形之间的热误差模型,对主轴热误差进行预测.结果显示：在电主轴径向热误差预测模型中,模糊神经网络模型和BP模型的建模精度分别为96.74%和89.77%.这表明模糊神经网络模型建立的热误差模型,在拟合和预测精度上优于BP神经网络模型.     

基于Morlet-SVR和ARIMA组合模型的网络流量预测

针对网络流量的非线性和多维度动力学特性,结合小波多尺度分析的能力,提出了基于Morlet小波核函数的支持向量机回归算法（Morlet-SVR）和自回归积分滑动平均模型（ARIMA）的组合模型预测网络流量.采用Morlet-SVR和ARIMA分别预测通过Mallat小波分解和单支重构得到的近似信号和多尺度细节信号,最后通过线性叠加得到最终预测结果.通过仿真实验分别对比分析了基于径向基核函数的支持向量机回归算法和ARIMA预测模型,通过3种误差评估得知该组合模型具有更高的预测精度.     

BP神经网络和ARIMA模型的变权组合电离层TEC预报

针对电离层总电子含量(TEC)非线性、非平稳性的特性,提出基于BP神经网络和差分自回归移动平均模型(ARIMA)的最优非负变权组合预报模型,并将其应用于TEC预报。利用IGS中心提供的不同经纬度的电离层平静期、活跃期TEC数据,分别采用BP神经网络模型、ARIMA模型和变权组合模型对TEC进行5 d预报。实验结果表明:在电离层平静期和活跃期变权组合模型预报5 d的平均相对精度分别为94. 7%和88. 9%,其中预报残差小于3 TECu的分别达到89. 3%和78. 5%,较单一模型的预报精度有明显提高。