基于SA-WNN模型的油价预测研究

原油价格不仅受到传统供需面因素的影响,在短期内更容易受到战争、金融危机、自然灾害、政治事件等非常规性因素的影响。为了更加准确地刻画国际油价走势,完善油价预测理论体系,论文首先运用情感分析（SA）方法对反映非常规影响因素的文本数据进行预处理,然后根据文本计算市场趋势项,再将该项作为小波神经网络(WNN)的输入数据,构建基于情感分析的小波神经网络预测模型（SA-WNN）。预测的结果显示,相对于传统BP神经网络模型和基于独立源分析的小波神经网络（ICA-WNN）模型,SA-WNN模型能够准确判断油价的方向性走势,是一种更加优秀的预测模型。     

基于小波神经网络的钢丝绳磨损趋势预测研究

针对非线性预测问题,提出了小波神经网络算法,建立了小波神经网络的趋势预测模型,通过对钢丝绳磨损度的时间序列预测,实现了故障预报。实践表明：小波网络具有更快的收敛速度和更高的预报精度,仿真结果与实测数据相比最大相对误差为4.23%,预报精度满足要求。     

基于LSTM-SVR组合模型的山西动力煤价格预测

煤炭是重要的基础能源,特别是动力煤在我国占有极高的战略地位,但煤炭价格的预测却十分困难。引入循环神经网络(RNN)对动力煤价格进行预测,在此基础上针对动力煤价随时间变化起伏大的特点,通过优化RNN模型,建立了长短期记忆模型(LSTM),引入支持向量回归机模型(SVR),通过串联的方式形成LSTM-SVR组合模型,以减少单一模型进行预测的风险,提高预测结果的精度。同时采用滑动平均法,以提高特征数据与动力煤价格的相关性。结果表明,经LSTM-SVR组合模型预测的2023年上半年山西动力煤价发展趋势与实际煤价有着较高的线性拟合性,预测准确率达到95.69%。该模型预测2024年山西动力煤价格将逐渐降低,从最高约1200元/t降低至700元/t。研究成果对煤炭企业调整经营战略、优化内部资本结构、维持整个行业长期稳定发展具有重要意义。     

基于小波神经网络的提升机液压站故障预测的研究

针对提升机液压站故障特性,以小波神经网络为工具建立了其故障预测模型。介绍了小波神经网络的结构、算法以及训练流程。分析了影响液压站故障因素,建立了其预测模型。在MATLAB环境下对网络进行训练。实验表明,该模型具有收敛速度快,预测精度高的特点,能够满足实际要求。     

基于小波神经网络的提升机液压站故障预测的研究

针对提升机液压站故障特性,以小波神经网络为工具建立了其故障预测模型。介绍了小波神经网络的结构、算法以及训练流程。分析了影响液压站故障因素,建立了其预测模型。在MATLAB环境下对网络进行训练。实验表明,该模型具有收敛速度快,预测精度高的特点,能够满足实际要求。     

基于小波分析及BP神经网络的瓦斯浓度预测方法研究

提出了一种基于小波分析与BP神经网络的矿井工作面瓦斯浓度预测算法,综合利用了小波分析算法的信号去噪作用以及BP神经网络可以拟合任何非线性系统的能力,并采用Matlab软件实现了该算法在瓦斯浓度预测上的应用。试验结果证明,对于短期内的工作面瓦斯浓度预测,该算法具有较好的预测效果。     

基于小波神经网络的中国煤炭消耗预测

预测煤炭消耗量是一个与多种因素有关的复杂非线性问题.鉴于传统预测方法的缺陷,利用小波神经网络模型对中国煤耗预测,通过理论分析和仿真实验表明:模型是简单可行的,预测具有较高的精度.     

基于模型预测控制的磨机优化系统

为改善磨矿作业,提高磨矿效率,降低磨矿能耗,提高磨机的生产率,提出一种基于模型预测控制的磨机优化系统。利用逻辑动态混合系统来建立精确的数学模型,通过神经网络和模糊控制算法循环优化,获得全局最优解作为控制器的输出,进而提高优化系统的响应速度和稳定性。     

基于PCA-RBF神经网络模型的煤层厚度预测

基于淮北某矿区的地震属性参数和钻井数据,利用逐步回归分析方法,优选出与煤层厚度有着显著相关性的参数,通过构建主成分分析算法-径向基函数神经网络模型,预测煤层厚度的变化趋势,并将井旁道的煤层厚度预测值保留,作为下一个未知区域预测模型的输入参数,从而获得更准确的煤层厚度预测值。通过不断扩展预测范围,并对其进行持续分析,从而实现整个研究区域煤层厚度的准确预测。分别对比RBF和PCA-RBF 2种神经网络模型预测的煤层厚度与真实值的绝对误差、相对误差以及相关系数,其中PCA-RBF神经网络模型的预测值与真实值之间的绝对误差为0～0.08 m,相对误差为0%～4%,相关系数为0.999 9。结果表明,PCA-RBF神经网络模型预测得到的煤层厚度变化趋势更接近于真实值,预测结果的精度更高,能够为煤矿安全生产、减少成本、提高效益提供强有力的技术支持。     

基于RBF网络的浮选技术指标预报模型的研究

简要分析RBF网络的结构特点及最近邻聚类学习算法之后 ,利用ZJWNNC标准函数建立了浮选技术指标预报模型 ,并对该模型进行了仿真试验。仿真结果表明 ,模型精度较高 ,具有一定的实用价值 ,为下一阶段开发浮选技术指标智能预测系统奠定基础。     

基于人工神经网络的矿井瓦斯涌出预测模型及其应用

阐述了矿井瓦斯涌出及其预测对安全生产的重要性, 指出传统的预测方法的不足之处。应用人工神经网络建立了时间序列的瓦斯涌出量预测模型, 克服了传统预测方法必须事先设定变化规律的缺陷, 提高了瓦斯涌出预测的准确性。实际应用表明该预测模型的预测精度较高, 具有较广阔的应用前景。     

基于数据挖掘的天然气市场收益率预测

以2000—2018年美国天然气价格为研究对象,基于动态时间规整算法（DTW）、模拟退火算法（SA）、支持向量机模型（SVM）构建DTW|SVM|SA天然气价格预测组合模型,并在不同预测步长下将其与对照模型的预测结果进行对比,分别从预测精度和预测误差两方面对模型的预测性能进行评估。结果表明：利用模拟退火算法可以优化SVM模型的自由参数和混合模型的权重参数;DTW-SVM-SA组合预测模型在天然气价格收益率预测方面表现出良好的泛化能力,对比其他模型,其在不同步长上的预测精度均有显著提升,预测误差均有降低,是一种有效的天然气价格预测模型。DTW-SVM-SA组合预测模型不仅能够为政府进行宏观调控提供参考,而且可以帮助企业尤其是能源相关企业更好地预测和管理价格变动的风险。     

基于时序-神经网络模型的我国石油消费预测

对我国石油消费进行预测和研究,有助于提高石油生产、进口及消费的合理性。本文采用BP神经网络预测方法,建立时序-神经网络预测模型,并取我国往年石油消费量中两次不同的样本预测我国2010-2012年的石油消费量,对两次实验结果进行比对。结果表明,该模型具有较好可行性,用近些年数据作为样本得到的预测结果更接近前几年石油消费量的变化趋势,可为石油需求规划提供参考依据。     

基于RBF网络的浮选过程药剂用量智能咨询系统的研究

利用ZJWNNC标准函数建立浮选过程药剂用量与矿浆性质之间的关系模型，并进行仿真试验，仿真结果表明，模型输出能较主精度逼近样本数据，以模型为基础开发西林铅锌矿浮选过程剂用量智能咨询系统，并进行工业试验，工业试验的结果表明，系统提供了的药剂制度能够稳定浮选作业，提高回收率，具有一定的实用价值。     

综采工作面生产指标预测的改进型BP神经网络

应用几种改进ＢＰ算法,提高了ＢＰ神经网络的收敛速度与稳定性,详细描述了神经网络预测产量及工效的求解机理与具体实施步骤,重点研究了网络学习前后的数据处理工作、网络结构的确定方法以及网络合理的学习步数。     

基于GREET模型的新能源汽车全生命周期的环境与经济效益分析

运用GREET模型和WTW体系,对比分析汽车全生命周期内,传统内燃机汽车和三种新能源汽车（纯电动汽车、混合动力汽车、燃料电池汽车）的能源消耗量和污染物排放量,并对其进行货币化,得到的结果如下：1）从耗能上看,在相同的能源结构与技术路线下,新能源汽车相较于传统内燃机汽车更能节约能源的使用。纯电动汽车（BEV）的全生命周期能耗最小,与传统内燃机汽车相比减少了42%。2）从排放的污染物总量上来看,新能源汽车对温室气体的减排效应明显,混合动力汽车、燃料电池汽车、纯电动汽车相比传统内燃机汽车的温室气体减排效应分别为5.78%,32.86%,21.54%,而对酸雨污染物和固体颗粒物,新能源汽车反倒加重了排放,纯电动汽车相比传统内燃机汽车,对酸雨污染物的排放增加了35.36%。3）从总成本角度分析,除了氢燃料电池汽车以外,其他新能源汽车的成本均低于传统内燃机汽车。4）发展新能源汽车尤其是纯电动汽车,在一定程度上利大于弊,其排放缺点可随着中国能源结构的改善而改变。     

山西能源消费驱动因素的动态计量分析——基于VAR模型

基于1978—2013年山西省能源经济样本数据,在扩展的IPAT等式基础上利用VAR模型对山西能源消费及其影响因素之间的动态计量关系进行定量分析。结果显示,山西省能源消费与经济发展、工业化、固定资产投资之间存在长期动态均衡关系。短期来看,经济发展是驱动山西省能源消费增长的关键因素,其次为工业化水平,固定资产投资作用较弱。但从长期来看,固定资产投资对能源消费具有显著的促进作用。脉冲响应分析显示山西省能源消费与经济发展之间存在库兹涅茨曲线关系,工业化水平的提升会降低山西省经济增长对能源消费的依赖。方差分解分析表明经济发展、固定资产投资、工业化水平对能源消费变动的平均解释贡献率分别为12.5%,5.9%和4.2%。最后对山西省控制能源消费总量、推进绿色低碳经济增长提出了具体建议。     

神经网络低温铝电解电流效率预报模型

本文研究基于神经网络的低温铝电解电流效率预报模型。实验样本采自用Ｎａ３ＡｌＦ６－ＡｌＦ３－ＣａＦ３－ＭｇＦ２－ＬｉＦ－Ａｌ２Ｏ３体系中低分子比电解质所进行的电解实验，从实验样本中随机抽学习样本训练网络，建立电流效率与影响它的电解工艺参数包括熔体成分，电解温度，阴极电流密度和极距之间的关系模型，尔后用剩余的实验样本检验模型精度，结果表明；该模型精度高，具有良好的预报效果。神经网络作为一种新颖的拟合预