浅析BP网络在电力系统负荷预报中的应用

电力负荷预报对电力系统控制、运行和计划都有着重要意义。BP网络是系统预测中应用广泛的一种网络形式,采用BP神经网络对负荷值进行预报,着重介绍神经网络算法在日负荷预测中的应用。     

基于灰色神经网络的中低碳铬铁终点硫含量预报模型研究

针对复吹转炉冶炼中低碳铬铁终点硫含量在线监测困难、取样检测无法实时指导生产的现状,考虑影响终点硫含量的供氧强度、铁水温度等因素,采用以灰色预报模型结合BP神经网络的方法实现中低碳铬铁终点硫含量的预报。仿真实验表明:中低碳铬铁终点硫含量预报绝对误差值在±0.004%以内的命中率为95%,相对误差值在15%以内的命中率达到85%,验证了该预报模型的有效性。     

基于BP神经网络的高含水岩石爆破震动参数预报

运用现场试验震动监测得出水介质对高含水岩石爆破地震波传播规律的影响,再结合BP神经网络理论,将水介质纳入网络模型,建立爆破震动参数预报的BP神经网络模型。采用高含水岩石爆破现场监测数据对网络模型进行训练。把训练达到最优后的预报结果与实测结果作对比,发现BP神经网络模型预报参数与实测值较为接近。     

神经网络模型及其在计量与测试中的应用

本探讨了神经网络模型及其在计量与测试中的应用。以反传（BP）神经网络为例，详细讨论了神经网络模型结构、学习算法，推导了一种优于常规BP算法的递推预报误差算法，并给出了应用实例。     

基于神经网络的组合预报模型及其应用

时间序列预报是神经网络的一个应用领域,多数研究集中在神经网络直接预报方面。本文从故障预报角度研究了神经网络组合预报模型,由神经网络给出常规预报方法的最佳组合。首先从函数逼近角度阐述这种模型的理论依据,在此基础上给出了模型的评价指标和神经网络的有效训练算法,最后给出在空间推进系统上的应用实例。     

集装箱编号智能识别系统的研究

提出了一种利用BP神经网络来智能识别集装箱编号的方法。该方法有较强的适应性，识别率高，能更好地满足实际系统的要求。     

基于神经网络的发动机故障预报

结合发动机的故障诊断、分析和发动机的故障预报模型,采用BP神经网络,编写出软件程序,通过其自组织学习和训练,预报发动机故障。因具有较强的泛化能力,提高发动机故障预报的能力。     

IWO与BPNN混合智能算法在 转子故障诊断中的应用

在经典IWO杂草算法的基础上提出一种适用于神经网络优化的新算法。该算法将多种结构的神经网络权值阈值编码为不同维度的杂草种子，以神经网络均方误差作为种子适应度的统一评价标准，同时对多个维度的杂草种子进行排序筛选，实现了神经网络权值阈值与结构同时优化的目的。应用该方法于转子系统故障分类问题，实验结果表明该方法可以在结合BP算法优势的同时有效优化神经网络各参数，可以得到分类精度高、结构最简且泛化能力强的神经网络故障分类器。     

基于ALO-BP神经网络和机械零件加工特征的工艺方案决策

针对传统制造企业工艺知识应用不充分,用于工艺方案决策过程的部分BP神经网络决策效率和准确率不高的问题,采用蚁狮优化(Ant Lion Optimizer, ALO)算法优化的BP神经网络构建了基于零件加工特征的工艺方案智能决策模型。首先对产品及工艺数据进行预处理,其次应用蚁狮优化算法对BP神经网络的初始化权值和阈值进行优化,最终基于样本数据集开展神经网络训练,进一步建立智能决策系统,并以柴油机零件为对象进行了工艺方案决策方法的应用验证。实例验证表明,采用优化的BP神经网络后,决策的速度和精度都有明显的提升;所构建决策系统是可行的,能够用于工艺方案的决策。     

基于RBF神经网络的添加剂改性炭材料高温黏结剂的性能预报模型

在炭材料黏结剂添加剂改性实验数据的基础上，将神经网络方法用于研究添加剂配方和热处理温度对黏结强度的影响关系，建立了添加剂改性炭材料黏结剂的RBF（Radial Basis Function径向基函数）神经网络性能预报模型，并与BP（Back-Propagation逆传播）人工神经网络进行了预报精度和训练过程比较。结果表明：上述两种模型对于黏结强度的预报平均相对误差分别为0．0127和0．0600，且BP人工神经网络易陷入局部最小。因此，RBF神经网络模型的预报能力较好，得出了具有较精确黏结性能的添加剂配方和热处理数据。可望在炭材料黏结剂改性中的多变量、非线性体系中提高实验工作效率，为炭材料黏结剂提供一条有应用前景的理论设计途径。     

基于遗传算法和灰色神经网络的电力机车产品需求预测方法

目的 应对快速多变的市场,提前预知市场发展,制定相应的排产计划,使企业在竞争中占据先发优势。方法 目前基于灰色神经网络的预测算法,准确地预测产品需求通常需要连续且大量的样本数据,对小数据非线性系统的预测结果精确度低、可靠性差,针对这一问题,提出一种耦合遗传算法的灰色神经网络预测方法,综合灰色模型和神经网络理论,构建了面向产品订单量需求预测的灰色神经网络模型;通过电力机车产品实例分析了模型的预测性能;为解决预测过程中模型早熟收敛的问题,利用遗传算法对训练网络的权重和阈值进行了迭代优化。结论 研究结果表明,优化后产品预测模型的精确性和鲁棒性得到提高,验证了所设计方法的可行性。     

基于参数模型的智能化预测系统及其应用

本文首先研究了基于参数模型的智能化预测,人类专家对预测问题的认知模式与预测模型的智能化选取问题,然后,介绍了所研制的一个基于参数模型的智能化预测系统,应用该系统完成了某大型工厂每月故障停机台时的预测.该系统能正确、合理地选择预测模型,预测准确率在90%以上,并能由此分析设备故障停机的规律,反映设备的工作能力和老化程度,为工厂的设备管理与生产计划提供可靠的信息.     

隧洞开挖爆破振动监测与振速预测分析

根据盛洪卿隧道泄水洞开挖爆破施工实际情况,选定合适的爆破监测方案.结合现场监测数据,分别采用经验公式线性回归法和BP神经网络法对爆破振动速度进行预测并将2种预测结果进行了比较分析.结果表明,线性回归法对地质条件具有依赖性,而BP神经网络方法可以较全面地考虑爆破振动速度的多种影响因素,且具有误差小、精度高等特性,因而应用BP神经网络方法预测爆破振动速度是有效可行的.     

遗传算法优化 BP 神经网络的显示器色彩空间转换

目的基于改进遗传算法优化BP神经网络,研究对显示器色彩空间转换的预测准确性的方法。方法通过改进数据归一化处理和遗传算法的适应度函数,来优化BP神经网络的权值和阈值,以将它们的分布范围缩小,再用BP算法进行精确求解,并将该方式与常规方式作对比。结果训练优化后的BP神经网络预测模型20次,测试色块平均色差为2.9353,最小平均色差为1.9467。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于BP-AGA的非线性组合预测方法研究

运用神经网络和加速遗传算法建立非线性组合预测模型，在BP算法训练网络出现收敛速度缓慢时启用加速遗传算法(AGA)来优化网络参数，把AGA的优化结果作为BP算法的初始值，再用BP算法训练网络，如此交替运行BP算法和AGA以加快网络的收敛速度，同时改善局部最小问题。最后给出实例研究，结果表明，该方法能明显提高预测精度。     

应用神经网络进行短期负荷预测

以某地区购网有功功率的负荷数据为背景,建立了３个BP神经网络负荷预测模型———SDBP,LMBP 及BRBP模型进行短期负荷预测工作,并对其结果进行比较。针对传统的BP算法具有训练速度慢,易陷入局部 最小点的缺点,采用具有较快收敛速度及稳定性的L唱M（Levenberg唱Marquardt）优化算法进行预测,使平均相对误 差有了很大改善,而采用贝叶斯正则化算法可以解决网络过度拟合,提高网络的推广能力。     

Research on Forecasting Flowering Phase of Pear Tree Based on Neural Network

Predicting the blooming season of ornamental plants is significant for guiding adjustments in production decisions and providing viewing periods and routes. The current strategies for observation of ornamental plant booming periods are mainly based on manpower and experience, which have problems such as inaccurate recognition time, time-consuming and energy sapping. Therefore, this paper proposes a neural network-based method for predicting the flowering phase of pear tree. Firstly, based on the meteorological observation data of Shijiazhuang Meteorological Station from 2000 to 2019, three principal components (the temperature factor, weather factor, and humidity factor) with high correlation coefficient with the flowering phase of pear tree are obtained by using the principal component analysis method. Then, the three components are used as input factors for the BP neural network. A BP neural network prediction model is constructed based on genetic algorithm optimization. The crossover operator and mutation operator in the adaptive genetic algorithm are improved. Finally, the meteorological sample data from 2013 to 2019 are used to test and verify the algorithm in this paper. The results demonstrate that, the model can solve the local optimization problem of the BP neural network model. The prediction results of the flowering phase of pear tree are evaluated in terms of relevance and prediction accuracy. Both are superior to the traditional effective accumulated temperature and the prediction results of the stepwise regression method. This method can provide more reliable forecast information for the blooming period, which can provide decision-making reference for improving the development of tourism industry.     

PCA-GRNN在综合气象短期负荷预测中的应用

为克服由气象因子较多且信息互嵌造成输入量多、预测时间长、预测精度低的缺点,引入主成分分析（PCA）提取气象因子特征量,与历史负荷数据共同作为建模对象;同时,针对BP神经网络动态性能的不足,建立基于广义回归神经网络（GRNN）的短期负荷预测模型。通过对实际电力负荷数据的预测,证明该方法与传统神经网络预测模型相比,明显提高预测精度和速度,具有实用性和有效性。     

集成动态神经网络及其在冶金风机智能诊断系统中的应用

提出基于RBF-PSO的集成动态神经网络方法,并将其应用于冶金风机的智能诊断系统的构建。实验结果表明,该方法能够提高网络的收敛速度和系统的诊断精度,尤其是对冶金风机中所出现的并发故障,采用RBFNN-PSO集成动态神经网络具有良好的诊断效果。     

于GA-BP模糊神经网络的商业银行信用风险评估

研究了商业银行信用风险评估的现状,针对单独应用BP神经网络评估信用风险时存在的缺陷,提出了基于遗传算法优化模糊BP神经网络的信用风险评估新模型.通过遗传算法训练模糊BP神经网络,克服网络建模中产生的局部极小的缺点,提高了风险评估的准确性.最后,利用Matlab软件对样本数据进行训练和测试,仿真结果表明所构造的评估模型预测误差非常小.