基于人工神经网络的春节期间燃气负荷预测

研究了春节期间燃气负荷的规律，考虑了天气、温度、传统节假日等因素，采用BP网络和径向基神经网络相结合的方法对春节期间燃气负荷进行预测，效果良好。     

鞍山市燃气日负荷预测的研究

结合鞍山市燃气日负荷预测,论述了历史燃气负荷数据的处理方法。运用GCAQBP神经网络对鞍山市2002年燃气日负荷进行了预测,预测的平均相对误差为4.1%。研究表明,这种预测方法可行。     

城市燃气短期负荷预测的研究

分析了城市燃气负荷的特点和影响因素,根据指数平滑预测法的原理,建立了城市燃气短期负荷预测线性模型和二次曲线模型。实际预测结果表明,平滑常数为0.3的直线模型具有较高的预测精度。     

城市燃气负荷的灰色预测

根据城市燃气中长期负荷预测的要求和存在的问题,利用灰色理论与灰色预测的原理,提出了动态等维灰数递补城市燃气负荷灰色预测模型,并进行了实际应用。     

城市燃气负荷预测技术应用分析

简述了燃气负荷的预测过程,对城市燃气负荷预测技术的应用实例进行了分析。     

基于预测误差评价的供热负荷预测输入变量选择研究

本文分析了供热系统热负荷变化的复杂性和非线性特点,说明了不同误差评价指标在供热负荷预测输入变量选择时的作用,以及各种误差评价指标所衡量物理意义的区别.由于供热系统热负荷受多变量相互影响,因此热负荷预测输入变量不同会影响预测结果的准确性.以某供热系统为算例,采用平均绝对误差、平均绝对百分比误差和均方根误差对供热负荷预测结...     

燃气小时负荷的模糊神经网络预测

分析了燃气负荷运行变化规律，研究了负荷模型分类模式，采用改进模糊神经网络进行小时燃气负荷预测。     

基于SVR的燃气日负荷预测

提出燃气日负荷预测模型选取和变量选取的原则,给出数据处理的方法。以西南某市为例,依据该地天然气公司实际数据,给出基于支持向量回归(SVR)的燃气日负荷预测模型的创建流程,进行日负荷预测,将日负荷预测值与实际值进行比较,分析相对误差产生的原因。探讨运用SVR模型建设信息化系统的相关问题。     

基于BP神经网络城市燃气短期负荷预测

论述了BP神经网络的预测模型结构,提出了基于该模型的城市燃气短期负荷预测方法和程序流程,结合某城市燃气负荷数据进行了燃气负荷模拟预测,预测结果和实际情况有很好的一致性。     

数据规格化在燃气负荷预测的应用

探讨了燃气负荷预测中规格化处理方法,建立了径向基神经网络燃气负荷预测模型。结合实例,对分别采用最大最小、零均值规格化处理的预测结果进行了比较,后者的精度较高。     

基于径向基神经网络的燃气日负荷预测

建立了径向基神经网络预测模型,进行了实例运算。这种预测方法满足预测需要,训练速度快。     

基于人工神经网络的城市煤气短期负荷预测

应用人工神经网络误差反应传播模型对城市煤气管网的短期负荷进行了预测。根据城市煤气短期负荷变化的特性建立了既反映煤气负荷连续性,周期性及其变化趋势,又包含天气,气温,节假日等因素影响的短期负荷预测模型,并介绍了方法在实际中的应用。     

基于神经网络的城市燃气短期负荷预测

采用VC语言编写基于神经网络技术的城市燃气短期负荷预测模型,经实例验证可以较精确地预测出城市燃气短期负荷.预测模型在权值修正项中引入动量项以加速收敛,在数据输入时引入噪声,以提高网络的泛化推广能力.     

基于OIF-Elman神经网络的燃气日负荷预测

与传统的Elman神经网络相比,采用具有输出一输入反馈机制的改进Elman(即OIF-Elman)神经网络对燃气日负荷进行预测,不仅计入了隐层节点的反馈,而且考虑输出层节点的反馈,以便从有限的训练样本中获得更多的信息.预测结果表明,在样本较少时,无论在训练速度上,还是在预测准确度上,OIF-Elman网络明显优于Elman网络.     

浅谈南京城市燃气供气负荷的预测

燃气负荷是燃气工程重要的基础技术数据,燃气供气负荷及其变化规律的预测是城市输配系统所必须面对的重要问题,文章叙述了南京城市燃气供气负荷预测研究课题的概况.     

基于一次累加法的城市燃气年负荷预测

由于燃气负荷原始时间序列非线性随机变化,而一次累加法具有削弱时间序列随机性的特点,提出了一次累加法在城市燃气负荷预测中的应用方法。实例表明,一次累加法预测模型精度高,预测结果可靠,可用于城市燃气年负荷预测。