基于灰色BP网络的城市生活垃圾日产量预测模型研究

通过对灰色BP神经网络模型的分析与研究,给出了灰色BP神经网络的建模方法,建立了基于灰色BP神经网络的城市生活垃圾日产量预测模型,通过一组历史数据分别对GM模型和灰色BP神经网络模型进行了验证,得到了灰色BP神经网络的预测效果要比单纯的灰色预测模型精度要高的结论,本模型是研究通过少量数据进行预测的一种新方法。     

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。     

基于蚁群灰色组合算法的瓦斯爆炸检测仪研究

瓦斯气体检测仪传感器在实际生产中由于自身构造和环境因素的影响会产生输入、输出非线性问题,针对这一问题,通过蚁群灰色组合模型算法对传统BP网络进行优化。该方法在传统BP算法的基础上,建立了蚁群灰色神经组合算法来调整BP网络权值的新模型。将新模型与传统BP模型进行仿真实验比较,实验结果表明:蚁群灰色神经网络算法可以有效的克服BP算法所存在的缺陷,能够提高瓦斯检测系统的精度及收敛速度。     

基于改进型BP神经网络的火电机组初压优化

将先验知识和理论分析与热耗率相关联的参数作为BP神经网络的输入层参数,用灰色关联度模型进行验证;对比改进型BP神经网络与标准BP神经网络,发现改进型BP神经网络在收敛速度和误差方面比标准BP神经网络好。应用改进型BP神经网络建立起某600MW火电机组的历史数据边界参数与热耗率的非线性映射。在可行初压范围内找出了各机组负荷下的最优初压,绘制出最优初压曲线,为操作人员提供指导。     

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。     

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。     

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GM和BP网络的我国能源消费量组合预测模型

利用我国能源消费的历史数据,采用灰色预测的GM(1,1)、无偏GM(1,1)和pGM(1,1)三种模型与BP神经网络进行优化组合,建立了灰色神经网络的能源消费量组合预测模型。实证分析结果表明,组合预测模型获得了更为精确的预测效果,可以作为能源消费预测的有效工具。     

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。     

改进灰色Elman神经网络的风电机组振动特征预测

提出一种改进的灰色模型与神经网络相结合的预测方法,并首次在风电机组状态预测中应用。该预测方法利用Elman神经网络辅助灰色模型,其中灰色模型进行粗预测,神经网络模型对其修正,然后利用马尔可夫法和等维新息的思想对灰色模型进行改进,最终得到精度更高的灰色神经网络模型。利用某风电场实际振动数据,对灰色模型、改进灰色模型、灰色神经网络、改进灰色神经网络等4种方法进行对比。结果表明,改进的灰色神经网络预测精度最高,证实了所提方法准确有效,为风电机组的预知性维修提供了新思路。     

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。     

基于功率预测的风力机健康状态监测

随着风力发电的广泛应用,对风力机健康状态进行准确监测的重要性日益凸显,为此提出了一种基于风力机功率预测的健康状态监测方法,即结合多项式模型和自回归模型特点,考虑风速与风力机输出功率之间的相关性和滞后性,利用改进非线性自回归模型对某风场风力机输出功率进行预测,并将预测结果与传统灰色模型、BP神经网络模型预测结果进行对比,计算与实测数据之间的误差。最后,选取功率预测系数中变化较为稳定的系数项作为观测系数,通过标准残差法确定异常观测系数反推风力机健康状态。分析结果表明,改进非线性自回归模型预测值与实测数据较为接近,趋势较为吻合。相比于传统灰色模型、BP神经网络模型,改进非线性自回归模型预测误差较小,精度较高。可见通过分析功率预测系数变化能够及时发现风力机健康状态变化,为故障发现提供参考。     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。     

昆明市碳排放预测与分析

基于灰色系统GM(1,1)预测方法。多元线性回归理论。BP神经网络预测方法,本文结合昆明市2000年~2015年碳排放量与其影响因素,建立BP神经网络预测模型。从预测结果可得,2020年昆明市单位GDP碳排放量较2005年单位GDP碳排放量下降73.81%~78.57%,三种预测结果中,BP神经网络预测的结果较为准确。在多元线性回归模型检验的结果中,得出影响昆明市碳排放量的因素从高到低依次为:人口、煤炭消费比率、能源强度、人均GDP、第三产业占比。     

计及相似日的LSTM光伏出力预测模型研究

为了提高光伏电站输出功率的预测精度，该文构建基于灰色关联度分析法（GRA）和长短期记忆神经网络（LSTM）的光伏发电组合预测模型。在运用GRA方法确定影响光伏出力的主要气象因素和选定待预测日的相似日的基础上，利用相似日的气象参数和实际发电量分别训练BP神经网络和LSTM神经网络，构建基于GRA的光伏出力智能预测模型，并在云南某光伏电站得到很好的应用。对比传统的单一预测模型和BP神经网络与GRA的组合模型，考虑相似日的LSTM预测模型的精度明显提升，可很好地满足相关要求，具有广阔的应用前景。     

基于萤火虫算法的大坝安全监控BP网络模型及其应用

为改善大坝安全监控BP神经网络模型易陷入局部极值的问题,引入萤火虫算法,用来获取BP神经网络的连接权值和阈值的初始值。依据大坝安全监测数据,借助改进后的BP神经网络,实现大坝安全监控模型的构建和安全状况预测。实例验证结果表明,改进模型较常规BP神经网络模型的训练效果更稳定,预测精度更高。该方法具有一定的实用价值。     

基于相似日和小波神经网络的光伏短期功率预测

光伏发电功率预测对电网的稳定性和安全性具有十分重要的意义。提出了基于相似日和小波神经网络的预测方法,根据相似日理论通过灰色关联系数法选取历史相似日,将选取的6个相似日的发电数据作为模型的输入变量,同BP神经网络、小波神经网络的预测结果进行对比和误差分析。以某光伏电站历史发电数据为例,验证算法的可行性。     

基于遗传算法优化BP神经网络的管网漏失定位模型研究

针对BP神经网络用于管网漏失定位时易出现收敛速度慢及陷入局部极小值的问题,利用遗传算法对BP神经网络的权值和阈值进行优化,并以A市供水管网为例,选取各个分区的供水管段进行不同程度的漏失模拟,将模拟数据作为训练样本训练遗传算法优化的BP神经网络,得到管网漏失时压力监测点的压力变化率和漏点位置之间的非线性关系,构建基于遗传算法优化BP神经网络的管网漏失定位模型。实例应用结果表明,基于遗传算法优化BP神经网络的管网漏失定位模型的收敛速度和预测精度均优于传统BP神经网络模型,可应用于实际工程。