基于计算机智能的深度信念网络的组合电力负荷预测方法（英文）

电力系统负荷预测是电力系统规划和经济政策制定的主要依据,然而现有的基于计算机人工智能的电力系统负荷预测多采用组合预测方式,其预测精度低,效率低下;针对此问题,提出了一种基于深度信念网络的组合负荷预测方法,此方法首先建立了深度信念网络训练模型,将组合数据与实际负荷数据之间构建的非线性函数关系应用到此训练模型中,通过数据训练,优化深度信念网络层数和参数;使得训练好的组合深度信念网络具有预测能力。利用实际历史数据,对组合负荷预测的精度进行了计算,实验结果表明:所提出的预测方法相对于传统的组合预测方法,具有较高的预测精度,同时其计算复杂度较低     

融合轧制机理和深度学习的带钢精轧宽度预测

宽度精度是热轧带钢成形过程的重要指标,准确预测精轧宽度有助于及时修正粗轧宽度设定模型,提高成品带钢的宽度精度。然而,依据轧制机理建立的宽度预测模型偏离实际工况从而精度较低,依据神经网络建立的模型由于过程黑箱导致可信度低。为此,提出了一种融合轧制机理和人工神经网络的热轧带钢精轧宽度组合预测模型,以基于Hill公式的机理模型计算精轧宽度的预测基准值,以基于深度置信网络(DBN)的深度学习模型预测精轧宽度的修正值。选取实际生产的2 730组数据中的49个特征值作为试验数据进行建模分析,结果表明:该组合模型预测精度高、稳定性好且预测时间短,其均方根误差为0.428 15 mm,相比机理模型降低了79.6%,相比神经网络模型降低了6.2%,实现了精轧宽度的高精度预测。     

输气管道腐蚀速率的BP神经网络组合预测方法

根据神经网络的非线性和良好的函数逼近特性,提出了基于人工神经网络的灰色模型、多项式回归模型组合的输气管道腐蚀速率预测模型.此组合模型将最佳组合权重隐含在网络的连接权中,兼具灰色预测、回归预测和神经网络预测的优点,克服了原始数据少,数据波动大对预测精度的影响,也增强了预测的自适应性,在客观地反映输气管道腐蚀速率变化趋势方面具有一定的优势.通过实例分析,表明预测值与实际结果有很好的一致性.     

基于CSPA-Informer的滚动轴承剩余寿命预测北大核心

针对传统的滚动轴承剩余使用寿命预测精度低、计算效率低等问题,提出了一种基于改进Informer深度学习模型结构的滚动轴承剩余使用寿命预测方法。为解决现有Informer模型中的self-attention结构存在内存占用高、计算复杂度高等问题,提出CSPA结构对输入数据进行处理,大幅度减少内存占用,提升计算效率的同时提高计算精度。因此,将CSPA替换原Informer模型中的self-attention结构,提出了基于CSPA-Informer的滚动轴承剩余寿命预测方法。输入数据分为两个通道进行特征提取和线性投影,并通过解码器快速生成预测序列。将CSPA-Informer与其他预测模型在公开数据集上的预测结果进行对比,其MAE、MSE和RMSE分别提升了21%、32%和17%以上,验证了该方法在滚动轴承剩余寿命预测方面的有效性。     

基于序列深度学习的数控机床热误差建模与预测方法

为提高数控机床热误差预测的准确性和适应性,提出一种基于序列深度学习网络的数控机床热误差建模和预测方法。提出一种基于LSTM的序列深度学习预测网络,构建包含历史序列数据的动态数据矩阵为模型输入;通过截断式训练方法降低深度预测网络中每项参数更新的复杂度,利用序列深度学习网络自动提取温度时间序列的时空特征,准确表征温度序列信号与热误差之间复杂的映射关系,采用Softmax输出层对热误差进行准确预测。实验结果表明：该方法解决了传统浅层方法因未考虑历史序列数据对当前输出的影响而存在的预测精度不高、鲁棒性差等问题,将热误差预测的均方根误差降低到2.5 μm以内,优于传统的SVM和BP等浅层神经网络预测方法,为数控机床热误差补偿提供了参考。     

基于深度学习的宽厚板热轧轧制力预测

为了提高宽厚板热轧生产过程控制中轧制力的预测精度,构建了融合SIMS模型的深度学习网络模型,对宽厚板热轧轧制力进行预测研究。利用深度学习框架,构建了一种基于残差连接的深度学习网络模型,并融合SIMS模型计算值,通过误差反向传播计算损失函数的梯度,同时使用Mini-Batch与RMSProp结合的优化算法对权重参数进行更新优化。利用残差连接引入纯线性的信息携带轨道,从而创造一条捷径,将较早的信号重新注入给下游的网络层,使用早停机制、批标准化等策略抑制模型过拟合现象,提高模型的预测精度。基于上述建模方法,针对宽厚板热轧生产线的轧制数据进行了建模实验。结果表明,以相对误差绝对值小于5%在测试集中的占比作为评价指标,相比于传统SIMS模型,融合SIMS模型、基于残差连接的深度学习网络可实现轧制力的高精度预测,该模型的预测精度平均提升了21.72%。     

输气管道腐蚀的最优灰色组合预测模型

    在不等时距序列灰色预测的基础上,提出了适用于输气管道腐蚀的不等时距最优组合灰色预测模型.首先,选用两种模型精度较高的不等时距灰色预测方法建立了输气管道腐蚀预测的单项模型,然后,利用最小二乘意义下的模型误差最小化方法确定出各单项灰色预测模型的权重,建立了最优组合预测模型.此预测模型综合利用了参与组合的各单一模型的有效信息,因而可以更加客观地反映输气管道腐蚀变化趋势.通过实例对比分析结果表明,此模型预测精度较高,可以作为输气管道腐蚀预测的有效工具.     

基于模糊神经网络的晶圆制造产出率预测方法研究

晶圆侦测产出率指标的准确预测,对晶圆制造系统的投料计划和调度优化具有重要意义。为提高晶圆侦测产出率指标的预测精度,提出了一种基于模糊神经网络的晶圆产出率预测方法。基于某晶圆制造企业的实际生产数据,与传统的基于神经网络模型、泊松模型和负二项式模型的晶圆产出率预测方法进行比较,结果表明基于模糊神经网络的晶圆产出率预测方法具有更高的预测精度,证明了该预测方法的有效性。     

基于深度学习的大规模图像高效识别算法研究

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS PEAL R1 大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

基于BP神经网络的开式冷挤压成形极限变形程度预测

采用实验研究与神经网络相结合的方法进行研究，通过大量实验，获取大量数据，在此基础上，建立BP网络模型。通过对开式冷挤压极限变形程度神经网络计算结果与实验结果的比较，其精度较高，证明用神经网络方法既可以实现开式冷挤压工艺的参数预测，叉能给出系统完整的可供指导实际生产的工艺参数数据，对于开式冷挤压的实际生产具有指导意义，是一种可行的分析手段。     

基于STL分解的平均故障间隔时间组合预测

由于影响数控机床刀架系统平均故障间隔时间的因素较多,采用单一的模型作预测无法充分提取已知数据中的隐含信息,导致预测困难。应用基于STL进行时间序列分解的组合模型预测算法,将原始故障数据分解为趋势项、季节项和随机项,应用指数平滑法和支持向量机回归分别对前两项数据进行预测,根据时序分解的加法模型将其结合,得到组合模型预测结果,并将组合模型与单一的预测模型进行对比分析。实例证明:组合模型预测优于单一模型预测。此方法应用于MTBF的预测,有助于工作人员针对故障发生时间点提前采取措施,同时为数控机床可靠性评估提供了新的研究方法。     

基于MSCNN-LSTM编解码器的飞机辅助动力装置EGT预测模型

针对提高飞机辅助动力装置(auxiliary power unit,APU)排气温度(exhaust gas temperature,EGT)参数的预测精度问题,提出了一种基于特征选择和多尺度卷积-长短期记忆网络编码器-解码器的EGT预测模型.首先,利用随机森林方法确定重要度较高的APU监测参数;其次,利用多尺度卷积神...     

模糊聚类方法在电力系统中的应用

电力负荷预测是电力系统调度、用电、计划和规划等管理部门的重要工作。本文采用模糊推理预测方法进行负荷预测的研究，该方法是基于模糊聚类对输入变量进行有效模糊划分，并通过递推最小二乘辨识模糊模型的结论参数。采用该方法对某供电企业电力系统进行建模研究，取得了满意的效果。     

Evolutionary artificial neural network approach for predicting properties of Cu- 15Ni-8Sn-0.4Si alloy

A novel data mining approach, based on artificial neural network（ANN） using differential evolution（DE） training algorithm, was proposed to model the non-linear relationship between parameters of aging processes and mechanical and electrical properties of Cu-15Ni-8Sn-0.4Si alloy. In order to improve predictive accuracy of ANN model, the leave-one-out-cross-validation （LOOCV） technique was adopted to automatically determine the optimal number of neurons of the hidden layer. The forecasting performance of the proposed global optimization algorithm was compared with that of local optimization algorithm. The present calculated results are consistent with the experimental values, which suggests that the proposed evolutionary artificial neural network algorithm is feasible and efficient. Moreover, the experimental results illustrate that the DE training algorithm combined with gradient-based training algorithm achieves better convergence performance and the lowest forecasting errors and is therefore considered to be a promising alternative method to forecast the hardness and electrical conductivity of Cu- 15Ni-8Sn-0.4Si alloy.     

基于改进长短期记忆网络的铣刀磨损量预测研究

针对铣刀磨损量预测精度低的问题，提出一种高精度铣刀磨损量预测方法。该方法通过遗传算法（GA）寻出长短期记忆网络（LSTM）的最优参数，并将参数输入LSTM实现改进模型GA-LSTM。采用时域、频域及时频域方法提取特征，应用皮尔逊相关系数法筛选出与铣刀磨损量高度相似的特征向量，输入GA-LSTM模型进行训练，并对测试数据进行预测。实验结果表明:与传统的机器学习方法BPNN或深度学习方法FE-LSTM、CNN相比，GA-LSTM的均方根误差分别下降了41.3%、39.0%、51.5%，平均相对误差分别下降了48.3%、40.8%、56.7%，模型的预测识别精度有较大提高，实现了铣刀磨损量的有效预测。     

机床热误差非线性组合预测模型研究

在精密及超精密加工过程中,数控机床热误差是影响加工精度的一项重要误差源,最经济和有效地减少热误差的方法是热误差补偿技术。针对热误差补偿预测模型的预测精度问题,提出一种非线性组合预测模型。该预测模型利用灰色关联度方法对单项预测模型进行筛选,对筛选出的单项预测模型基于不同优化准则进行线性组合,通过广义回归神经网络对该线性组合模型进行非线性组合,得到非线性组合预测模型。误差预测结果表明:对比典型的BP神经网络预测模型,非线性组合预测模型的预测精度更高,最大误差由4.78μm减小到0.7μm。     

基于蚁群优化和模糊Petri网的建筑工程成本预测研究

为了有效提高建筑工程成本动态控制的精确度,提出将蚁群优化算法和模糊Petri网理论应用于建筑工程成本预测。首先,通过模糊产生式规则选择样本工程并确定工程之间的相似度,以便建立工程成本预测模型,其权值和阈值等参数由ＢＰ神经网络训练得出。然后,利用蚁群优化对模型各参数进行优化,从而进一步提高工程成本预测的精确度。实际建筑工程实例分析结果表明：相比传统的BP神经网络预测方法,提出的方法具有更高的准确度,能够有效应用于企业建筑工程成本的科学管理。