长兴岛产业园区电力需求多时序预测技术研究

针对长兴岛海洋产业园区内主要典型用户负荷数据进行了负荷特征刻画,针对用户的用电负荷特性,提出了基于多时空的用电负荷预测模型,通过小波分解将负荷数据分为趋势分量、季节分量、周期分量和随机分量,对趋势分量利用线性回归的方法进行负荷预测,对季节分量和周期分量采用时间序列分析预测模型,对随机分量利用随机森林负荷预测模型,从而大大提高了负荷预测的精确度与泛用性。     

基于支持向量回归和小波包的供热负荷预澳

通过分析影响热网负荷变化的各种因素，对热负荷数据进行预处理，运用小波包变换对负荷序列进行分解，对各子序列分别建立支持向量回归预测模型，最后通过序列重构，得出预测结果。仿真结果表明，该方法比传统BP神经网络和未作小波包分解的支持向量回归法具有更高的预测精度。     

基于支持向量回归和小波包的供热负荷预测

通过分析影响热网负荷变化的各种因素,对热负荷数据进行预处理,运用小波包变换对负荷序列进行分解,对各子序列分别建立支持向量回归预测模型,最后通过序列重构,得出预测结果。仿真结果表明,该方法比传统BP神经网络和未作小波包分解的支持向量回归法具有更高的预测精度。     

基于小波分析与支持向量机的地铁隧道沉降预测

根据地铁隧道监测点沉降变化中非线性、不确定、时变性的特点,建立了基于小波分析的支持向量机预测模型。首先运用小波分析将监测点沉降序列分解为低频近似分量和高频细节分量,然后对各分量分别进行支持向量机预测,最后将各分量预测结果进行小波重构得到监测点的沉降预测曲线。预测结果表明,在相同样本数和短周期预测条件下,Wavelet—SVM模型的预测精度优于BP神经网络方法。对地铁沉降监测提前进行预警预报有一定的参考价值。     

基于经验模态分解和遗传支持向量机的多尺度大坝变形预测

 利用经验模态分解算法分解大坝变形数据,得到不同物理特征尺度的变形分量,分析各变形分量特征及其相关影响因素。针对各变形分量的特点,分别建立基于GA-SVM的各变形分量预测模型,将各分量预测模型相加,最终构建基于经验模态分解和支持向量机的多尺度变形预测模型。由大坝变形数据的经验模态分解实例分析,证实经验模态分解算法能有效对大坝变形数据进行多尺度分解,由经验模态分解算法分解得到的各变形分量其物理特征更加显著,更易于各变形分量影响因素分析和变形模型建立,因此,针对各变形分量的特点所建立的GA-SVM的各变形分量模型具有较高精度。基于经验模态分解和支持向量机的多尺度变形预测模型由各分量预测模型相加而得,能充分挖掘大坝变形中隐含的多种内在规律,能同时在不同特征尺度上进行大坝变形预测。通过对多尺度大坝变形预测模型和多元回归、时间序列分析、GM(1,4)、BP网络和GA-SVM大坝变形预测模型进行精度对比,证实基于经验模态分解和支持向量机的多尺度变形预测模型是一种精度较高的大坝变形预测新方法。     

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。     

形变监测数据的多尺度滤波

尺度是许多物理现象的内在特性,信号含有不同尺度的物理结构特性,随着信号分析的多尺度的变化引起的相应的信号特征的产生,消失,融合,这就是信号对多分辨率的感知,因而通过对信号的多尺度的分解可以很好的检测信号的特征。通过多尺度分解后建立各细节分量的变形分析模型为:H(ti)=f(ti)+β(ti)+εi,其中f(ti)为趋势部分,利用小波分析进行提取,我们可认为小波分析后低频部分为趋势部分信号,β(ti)为隐含周期性或者异方差性部分,平稳或非平稳随机分量,它包含在高频信号部分。利用正弦周期函数和RBF网络建立β(ti)逼近模型。εi表示随机误差部分。     

基于Sym小波和BP神经网络的基桩缺陷智能化识别

为提高基桩低应变动测信号的分析水平,采用一种新的时频域分析方法——小波分析。利用Sym小波对基桩速度响应时程曲线进行小波分解,对指定频带上的信号分量进行特征值提取,提取的特征值为反映各频带范围内体现能量分布的功率谱均值,提取的特征值可构成反映信号特征的特征向量,同时利用BP人工神经网络的非线性映射特性建立特征向量和基桩缺陷类别之间的一种对应关系。通过数值模拟的方法可以得到大量不同缺陷类型的基桩的桩顶速度响应时程曲线,对这些数值模拟信号进行小波分解得到的特征向量为神经网络的学习提供大量训练样本。最后,利用实测信号小波分解后得到的特征向量对训练过的神经网络进行检验,其识别结果表明,训练后的神经网络能根据实测信号的特征向量对基桩缺陷进行智能化的识别。     

基于Sym小波和BP神经网络的基桩缺陷智能化识别

为提高基桩低应变动测信号的分析水平,采用一种新的时频域分析方法--小波分析.利用Sym小波对基桩速度响应时程曲线进行小波分解,对指定频带上的信号分量进行特征值提取,提取的特征值为反映各频带范围内体现能量分布的功率谱均值,提取的特征值可构成反映信号特征的特征向量,同时利用BP人工神经网络的非线性映射特性建立特征向量和基桩缺陷类别之间的一种对应关系.通过数值模拟的方法可以得到大量不同缺陷类型的基桩的桩顶速度响应时程曲线,对这些数值模拟信号进行小波分解得到的特征向量为神经网络的学习提供大量训练样本.最后,利用实测信号小波分解后得到的特征向量对训练过的神经网络进行检验,其识别结果表明,训练后的神经网络能根据实测信号的特征向量对基桩缺陷进行智能化的识别.     

城市燃气季节性负荷预测模型的建立及求解

根据城市燃气管网季节性负荷变化的特点。采用最优组合理论，将灰色GM（1，1）预测模型和人工神经网络模型的优点结合起来。建立了一个基于灰色神经网络的城市燃气管网季节性负荷预测模型，并提出了相应的求解方法，此模型能同时反映燃气负荷随时间的增长趋势和随不确定因素的波动特性。通过实例的计算结果表明：所建模型具有较高的收敛速度和预测精度，较强的适应性和灵活性，为城市燃气季节性用气负荷的预测提供理论分析依据。     

人工神经网络在中水供水量预测中的应用

为了保护有限的水资源,促进中水回用,某城市中水公司需要根据供水量的记录来预测未来某时的用水量,以安排生产调度计划.根据已有的记录,通过运用BP人工神经网络的计算机模拟得出供水量与最高、最低、平均温度和焦炭、焦煤价格指数的关系,模拟数据与实际数据基本一致,可用该方法对未来一个月的供水量进行预测.     

Probabilistic prediction of urban water consumption using the SCEM-UA algorithm

Prediction of urban water consumption can help to improve the performance of water distribution systems. Despite the obvious presence of uncertainty in measurements and in assumed model types/structures, most of the existing water consumption prediction models are developed and used in a deterministic context. Methods for more realistic assessment of parameter and model prediction uncertainties have begun to appear in literature only recently. A novel application of the Shuffled Complex Evolution Metropolis algorithm (SCEM-UA) for the calibration of a water consumption prediction model is proposed here. The model is applied to a case study of the city of Catania (Italy) with the aim to predict daily water consumption. The SCEM-UA algorithm is used to calibrate the parameters of the artificial neural network based prediction model and in turn to determine the associated parameter and model prediction uncertainties. The results obtained using the SCEM-UA ANN approach were compared to the corresponding results obtained using other predictive models developed recently by the authors of the paper. When compared to the these models, the SCEM-UA ANN based water consumption prediction model shows similar predictive capability but also the ability to identify simultaneously the prediction uncertainty bounds associated with the posterior distribution of the parameter estimates.     

供水管网的多水质组分预测建模研究

现有的城市供水管网水质预测模型仅针对单一水质组分,不足以全面反映管网水的水质状况.为此,以天津市某高校的校园管网为研究对象,在结合水力分析的基础上,同时对余氯和浊度进行预测和模拟建模.在模型的求解上,经对多元回归、人工神经网络和支持向量机进行详细的分析后,选用了较为成熟的BP算法.结果表明,模型预测的相对误差平均为20%左右,能满足实际应用的要求.     

煤层底板突水组合人工神经网络预测

综合考虑水源、水压、隔水层、断层等因素对煤层底板突水的影响 ,采用遗传算法训练人工神经网络 ,建立了煤层底板突水组合人工神经网络预测模型。实例分析表明 ,采用遗传算法训练BP网络明显提高了人工神经网络的预测精度 ,使预测结果更加可靠     

基于粒子群优化算法的城市日用水量预测模型

结合城市日用水量影响因素的特点和变化规律，建立了城市日用水量预测模型，采用粒子群优化算法优化BP人工神经网络的连接权值，以求解该预测模型。经优化后的BP人工神经网络运算速度快、泛化能力强、预测精度高。实例验证结果证明该日用水量预测模型和求解方法是可行的。     

Comparison between detailed model simulation and artificial neural network for forecasting building energy consumption

There are several ways to attempt to model a building and its heat gains from external sources as well as internal ones in order to evaluate a proper operation, audit retrofit actions, and forecast energy consumption. Different techniques, varying from simple regression to models that are based on physical principles, can be used for simulation. A frequent hypothesis for all these models is that the input variables should be based on realistic data when they are available, otherwise the evaluation of energy consumption might be highly under or over estimated.In this paper, a comparison is made between a simple model based on artificial neural network (ANN) and a model that is based on physical principles (EnergyPlus) as an auditing and predicting tool in order to forecast building energy consumption. The Administration Building of the University of São Paulo is used as a case study. The building energy consumption profiles are collected as well as the campus meteorological data.Results show that both models are suitable for energy consumption forecast. Additionally, a parametric analysis is carried out for the considered building on EnergyPlus in order to evaluate the influence of several parameters such as the building profile occupation and weather data on such forecasting.     

New artificial neural network prediction method for electrical consumption forecasting based on building end-uses

Due to the current high energy prices it is essential to find ways to take advantage of new energy resources and enable consumers to better understand their load curve. This understanding will help to improve customer flexibility and their ability to respond to price or other signals from the electricity market. In this scenario, one of the most important steps is to carry out an accurate calculation of the expected consumption curve, i.e. the baseline. Subsequently, with a proper baseline, customers can participate in demand response programs and verify performed actions. This paper presents an artificial neural network (ANN) method for short-term prediction of total power consumption in buildings with several independent processes. This problem has been widely discussed in recent literature but a new point of view is proposed. The method is based on two fundamental features: total consumption forecast based on independent processes of the considered load or end-uses; and an adequate selection of the training data set in order to simplify the ANN architecture. Validation of the method has been performed with the prediction of the whole consumption expressed as 96 active energy quarter-hourly values of the Universitat Politècnica de València, a commercial customer consuming 11,500 kW.     

人工神经网络模型在应对城市内涝中的应用

现在城市排水系统的规划和运营管理一般不考虑城市下游受纳水体变化的影响,这也是国内城市内涝频发的原因之一。目前,越来越多的城市应用模型来应对城市内涝,模型中受纳水体的水位一直以来都是利用经验设定一个恒定值。本文利用ANN(人工神经网络)技术,以城市上游观测站的实测水位为输入,以城市未来某时段的水位为目标选择合理的参数,建立了预测河流水位模型。利用更准确的动态预测值代替恒定值,可以提高城市排水系统水力模型的精度。选择某地区水位站的资料,对预报模型进行了检验,结果表明,在合理选择输入层数据和预测时间段的条件下,可以取得很好的预报结果。     

南方某市供水管网水质在线监测管理系统的建立

以南方某市为例，介绍了其供水管网水质在线监测管理系统的建立过程。首先，对系统进行总体设计，确定在线监测点的位置、数量和在线监测指标，选定在线监测仪器和在线数据传输方式。其次，基于管网水质在线监测信息建立了水质在线监测管理系统，可实现数据库连接、列表、查询、统计报表打印、实时监测数据显示等功能。最后，依据统计分析与人工智能的方法建立了三种水质预测模型，并将其与水质在线管理系统集成，实现了对供水管网主要水质指标的在线监测、管理与预测。对该系统采用管网实测数据进行考核、验证，结果令人满意。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。