预测综放面煤炭自燃的灰色理论研究

利用灰色预测理论，对某矿一段时间内CO浓度和发生量进行了分析、整理，建立了煤炭自燃灰色预测数学模型，对煤炭自燃的发生时间进行预测，预测精度较高，结果符合实际要求，为煤炭自燃灾害的预防提供了一种有效的方法。     

城市燃气负荷灰色组合预测模型研究

根据组合预测理论,将基于灰色理论的3种预测模型,即基本灰色预测GM（1,1）模型、残差灰色预测模型和动态等维灰数递补预测模型结合起来,建立灰色组合预测模型,实例分析表明,该模型能克服单个模型方法的不足,提高预测精度。     

我国建筑陶瓷进出口趋势的灰色新陈代谢GM(1,1)模型及其预测

研究了基于灰色系统理论的我国建筑陶瓷未来五年进出口趋势的预测方法。针对常规GM(1,1)模型存在的不足,建立了灰色新陈代谢GM(1,1)建陶进出口数量与金额的预测模型,并对预测结果进行了分析。结果表明:该模型精度较高、预测误差小,预测结果可为相关部门与企业决策提供参考。     

遗传优化GM(1,1)模型在负荷预测中的应用

为克服利用传统最小二乘法估计GM(1,1)模型参数的缺陷,改善该模型在中长期负荷预测中的精度,提出了基于最小一乘法的GM(1,1)模型,对离散后的GM(1,1)模型以误差的绝对值之和达到最小确定参数.由于该GM(1,1)模型中的目标函数非连续,不可导,用传统的优化无法求解,本文针对模型的特性设计了求解该优化模型的遗传算法,对模型的参数进行估计.将所提出的模型应用于负荷预测,通过与传统预测效果的对比分析,验证了本文方法的有效性和优越性.     

遗传优化GM(1,1)模型在负荷预测中的应用

为克服利用传统最小二乘法估计GM(1,1)模型参数的缺陷,改善该模型在中长期负荷预测中的精度,提出了基于最小一乘法的GM(1,1)模型,对离散后的GM(1,1)模型以误差的绝对值之和达到最小确定参数。由于该GM(1,1)模型中的目标函数非连续,不可导,用传统的优化无法求解,本文针对模型的特性设计了求解该优化模型的遗传算法,对模型的参数进行估计。将所提出的模型应用于负荷预测,通过与传统预测效果的对比分析,验证了本文方法的有效性和优越性。     

城市燃气负荷预测方法探讨

在进行城市燃气的调度方面,完善对城市燃气负荷的预测非常重要,可以完善系统的规划。负荷预测的经济效益非常明显,本文主要从负荷预测的重要性分析,然后分析相关的方法。     

改进的马尔科夫模型在人力资源预测中的应用

人力资源的需求预测是企业发展中的重大问题。由于企业的人力资源管理政策在一定的时间内是稳定不变的,因此很多企业在预测未来的人力需求时往往采用马尔科夫转移矩阵模型。但是由于模型的局限性,和企业人力的因辞职、退休、开除等原因退出企业,造成预测的数据偏小,无法满足企业的需求。文章采用了灰色GM（1,1）模型来进行改进,并考虑了企业的战略发展要求,解决了马尔科夫模型的数据偏小缺限,具有较好的预测结果。     

基于GA-SVM的城市天然气中长期负荷预测

随着天然气工业的发展,城市面临着储气设施建设、燃气管网规划等一系列问题。分析城市天然气中长期负荷预测影响指标,从内部环境、外部环境及用户消费3个角度出发,提取其中9个参数作为城市中长期负荷的影响因子,并采用遗传算法优化支持向量机的惩罚因子及核参数,建立了基于GA(遗传算法)-SVM(支持向量机)的城市天然气中长期负荷预测模型。利用该模型对北京燃气用气量进行中长期负荷预测,并与SVM回归预测相比。结果表明:GA-SVM模型有比较快速训练速度、较高的预测精度,所提出的GA-SVM优化模型在中长期天然气负荷预测上具有更优的泛化能力和学习能力,能够为城市燃气管网规划、储气设施建设等提供指导作用。     

GM(1,1)模型在外饰面涂层耐久性预测中的应用

应用GM(1,1)模型对外饰面涂层厚度变化情况进行了预测,用外饰面涂层的厚度变化来反映不同种类涂料耐久性的好坏,在初始模型的基础上引入了二阶弱化算子D2,使预测结果更加精确,并通过matlab简化了模型计算,对所建模型进行了残差检验、关联度检验、均方差检验和小误差概率检验,精度均满足要求。结果表明:模型对于单调数列的预测精度高,可以用于外饰面涂层耐久性的预测。     

基于优化GM(1,1)预测模型的产油量预测

本文针对传统GM(1,1)预测模型在初始条件选取上的局限性,应用以x(1)的第n个分量作为初始条件的改进GM(1,1)模型对产油量进行了预测,但并未取得好的预测效果。后本文按照使原始数据序列的x(1)序列与其模拟序列x(∧1)之差的平方和最小的原则,来确定白化权函数中的常数C,构建了优化GM(1,1)模型,在产油量预测中提高了预测精度。     

灰色GM(1,1)模型在金属材料疲劳试验数据预测中的应用

提出用灰色系统理论中的GM(1,1)模型对金属材料的疲劳寿命试验数据进行预测 ,目的是大幅度缩短试验时间 ,节约试验费用 ,快速获得可靠性指标。实例计算结果说明 ,将灰色系统理论用于金属材料的疲劳寿命试验数据预测有较高的精度 ,为有效缩短金属材料疲劳寿命试验时间提供了一个值得探讨的方法     

Research on Natural Gas Short-Term Load Forecasting Based on Support Vector Regression

Natural gas load forecasting is a key process to the efficient operation of pipeline network. An accurate forecast is required to guarantee a balanced network operation and ensure safe gas supply at a minimum cost. Machine learning techniques have been increasingly applied to load forecasting. A novel regression technique based on the statistical learning theory, support vector machines (SVM), is investigated in this paper for natural gas short-term load forecasting. SVM is based on the principle of structure risk minimization as opposed to the principle of empirical risk minimization in conventional regression techniques. Using a data set with 2 years load values we developed prediction model using SVM to obtain 31 days load predictions. The results on city natural gas short-term load forecasting show that SVM provides better prediction accuracy than neural network. The software package natural gas pipeline networks simulation and load forecasting (NGPNSLF) based on support vector regression prediction     

基于支持向量机回归的天然气负荷预测研究

Natural gas load forecasting is a key process to the efficient operation of pipeline network. An accurate forecast is required to guarantee a balanced network operation and ensure safe gas supply at a minimum cost. Machine learning techniques have been increasingly applied to load forecasting. A novel regression technique based on the statistical learning theory, support vector machines (SVM), is investigated in this paper for natural gas shortterm load forecasting. SVM is based on the principle of structure risk minimization as opposed to the principle of empirical risk minimization in conventional regression techniques. Using a data set with 2 years load values we developed prediction model using SVM to obtain 31 days load predictions. The results on city natural gas short-term load forecasting show that SVM provides better prediction accuracy than neural network. The software package natural gas pipeline networks simulation and load forecasting (NGPNSLF) based on support vector regression prediction has been developed, which has also been applied in practice.     

基于EMD-BP神经网络的短期电力负荷预测

针对电力负荷具有的非平稳、随机性、不确定性的特点,提出用EMD-BP神经网络方法对电力负荷进行预测,通过EMD方法将非平稳、随机的电力负荷数据转换成平稳、确定性数据,之后利用BP神经网络进行电力负荷预测。通过仿真试验可以看出,相比于直接使用BP神经网络进行预测,EMD-BP神经网络的预测精度更高、相对误差较小。     

基于灰色BP神经网络的水泥强度预测模型研究

水泥强度的预测具有多变量、非线性和大时滞特性,因此传统线性回归方法的结果不准确。除此之外,传统的神经网络预测可能对少量样本不够精确。本文建立灰色BP模型,以此来预测水泥的强度。建立一个多因素灰色模型GM(1,N)用于水泥化学成分的样本数据进行预处理,得到新的数据来作为建立预测模型的样本数据,通过BP神经网络建立预测模型。最终通过建立的灰色BP神经网络预测模型来预测28天水泥强度。仿真结果表明:灰色BP预测模型的效果比BP预测的要准确。     

西安市冬季天然气用气负荷与气温关系分析

城市天然气用气负荷受当地气象因素、居民生活习惯、节假日和当地消费水平等多种因素共同影响,其中气温对城市天然气负荷变化的影响最为显著.本文根据西安市天然气负荷量和气温的历史数据,通过相关性分析和回归分析等方法,找出天然气日均负荷变化与日均气温之间的关系,为天然气负荷预测和调度提供参考.     

基于遗传神经网络的冰蓄冷空调系统负荷预测研究

针对现阶段冰蓄冷中央空调系统负荷预测的BP(Back Propagation)模型收敛速度慢和容易陷入局部极小点等缺点,结合遗传算法GA(Genetic Algorithm)和BP神经网络,提出了一种GA-BP算法,并在冰蓄冷中央空调负荷预测系统中应用。     

气井井筒积液预测模型优选

气井开采过程中,井筒中会有积液产生,若井底积液不能及时排出,就会影响气井的产量,严重时甚至会导致气井水淹停产。因此,预测井筒积液变得十分有必要。预测井筒积液的方法有很多,国内外主要通过应用气井携液临界流量来进行积液预测。目前现场主要应用Turner模型进行井筒积液的判断,但对于不同的区块有一定的局限性。在气井中液滴为扁平形的基础上,推导出了一种新的积液模型,将其与常见的几种积液模型进行对比。通过对延长部分区块的54口产水气井进行积液预测,将预测结果与井的实际积液情况进行匹配,进而进行积液预测模型的优选。经过对比分析,文中推导的新模型更符合该区气井的实际情况。