应用小波-人工神经网络组合模型研究电力负荷预报

针对负荷时间序列的非线性和多时间尺度特性．提出了将小波分析与人工神经网络相结合进行负荷预报的方法——小波-人工神经网络组合模型。该模型吸取了小波分析的多分辨功能和人工神经网络的非线性逼近能力。以月、日平均负荷预报为例对模型进行验证．结果表明：该模型的拟合、检验精度较高。     

基于小波变换和人工神经网络模型的三峡入库月径流预报

为探讨小波变换中小波基函数对模型预报精度的影响,选取三个小波基函数haar、db10、sym8对原始序列进行小波变换预处理,并分别建立人工神经网络模型(ANN)和基于不同小波基函数的W-ANN(haar)、W-ANN(db10)、W-ANN(sym8)模型进行预报。以三峡水库月径流为例,采用纳什效率系数、平均绝对误差及平均相对误差对建立模型的预报效果进行比较。结果显示,采用三个小波基函数haar、db10、sym8对数据进行小波变换预处理后的模型精度均得到了不同程度提高,W-ANN(sym8)模型在各项指标上表现最好。表明小波基函数的选择对模型预报精度结果影响较大,选择合适的小波基函数至关重要。     

基于人工神经网络的统计降尺度模型研究

基于BP神经网络模型对黄河源区的降水、温度进行了统计降尺度研究,探讨了统计降尺度模式中考虑预报量的敏感大气环流因子随季节变化时对降水的降尺度效果的影响。结果表明,人工神经网络降尺度模型能成功地捕捉黄河源区的日平均温度及气温极值的年际变化趋势,纳什效率系数均达0.95以上;比较CON模型及PIE模型对降水指标的模拟能力,发现两种模型对1961~2000年不同降水指标时间序列的模拟能力相当;从季节尺度看,在冬季PIE模型显示了更好的模拟能力,但在夏秋季节PIE模型对多数降水指标的模拟能力略不及CON模型。总之,CON模型对降水指标的模拟效果更好。     

BP人工神经网络在钢铁生产过程信息流分析中的应用

钢铁企业生产过程的信息流蕴藏着丰富的生产工艺规律。BP人工神经网络广泛用于信息流分析中,将其概括为四个方面:过程状态参数预测、产品性能参数预测、能耗信息预测和原材料参数优化。分别介绍相关研究和应用工作,指出应用流程中存在的不足,并给出规范流程。最后给出某大型钢铁企业新区焦炉单元的日能耗预测实例,验证了BP人工神经网络在钢铁生产过程信息流分析中的作用和应用流程的有效性。     

钢铁冶金系统节能技术探讨

随着我国经济与科技的不断发展,作为我国基础行业中最为重要的行业之一的钢铁冶金行业也发展迅速。但是,该行业是一个高耗能的行业,是六大行业中耗能的大户。对于冶金生产而言,生产企业不仅要注重技术科技的支撑和引擎力量,同时,也要注重节能环保目标的实现。围绕钢铁冶金生产流程中节能问题进行了探讨,概述了钢铁冶金生产流程中节能技术的重要性,分析了冶金生产流程中影响节能的因素,论述了钢铁冶金生产流程中的节能技术要点,旨在不断提高钢铁生产企业的生产效率,降低资源和能源的耗费。     

基于遗传程序设计的中长期径流预报模型研究与应用

应用遗传程序设计建立径流中长期预报模型,结合径流序列数据的特点通过自相关分析确定其滞时输入变量的个数,采用均方误差作为其适应度评价函数,以漫湾实测月径流序列(1953~2003年)和洪家渡实测月径流序列(1951~2004年)为例,通过与ARMA模型、人工神经网络模型的预报结果比较,显示该模型应用于径流中长期预报简单易行且精度较高。     

BP神经网络模型结构对漫湾径流预报精度的影响研究

以云南省漫湾水电站历史径流状况为研究对象，运用三层前馈反向传播神经网络模型对径流进行中长期预报。为解决神经网络预报模型结构难以确定的问题，尝试在预报过程中通过改变该网络模型的结构并对得到的结果进行比较，从而找到适合该径流序列的最佳神经网络模型结构。实际应用表明，使用该结构的模型在实际预报过程中取得了良好的效果。     

基于不同人工神经网络的CNG发动机排气温度预测模型研究

为了提高CNG发动机排气温度预测精度,基于BP、RBF和GRNN神经网络建立了3种排气温度的预测模型。开展了CNG发动机台架实验,测量了不同工况条件下发动机的排气温度,利用实验值对模型进行训练,并预测了不同发动机转速、空气进气量、点火提前角等条件下的排气温度,将预测值与实验值进行了对比分析,评估了不同预测模型的准确性。结果表明:BP、RBF和GRNN 3种神经网络的误差分别为3.5%、2.8%和3.1%。RBF神经网络的预测误差比BP和GRNN神经网络的误差小,稳定性强,更适合CNG发动机的排气温度预测。     

西安市供水水库群优化调度函数的神经网络求解方法

水库群联合优化调度函数的传统求解方法难以表示出水库调度决策变量与影响因子间的非线性关系,也不能很好地反映水库之间的相互关系。用改进ＢＰ网络可弥补这方面的缺陷。将该方法用于寻求西安市城市水源供水的三个水库的联合优化调度函数,结果表明,该方法行之有效,且应用简便。     

基于RBF-BP组合神经网络的地震预测研究

针对地震预测中预测因子高度非线性、训练样本数量有限及分布不均匀的问题,提出采用RBF-BP组合人工神经网络对地震预测因子样本进行建模和预测,并用RBF神经网络初步训练预测因子样本,将训练结果输入BP神经网络,根据期望输出值加强训练.实例分析表明,该预测方法可行并能有效提高地震预测精度.     

基于气象因素的短期电力负荷ANN预报模型

提出了一种基于气象因素,利用人工神经元网络进行电力系统短期负荷预报的方法,该方法比较全面地考虑了气象因素对电力系统负荷的影响,操作方便,易有,仿真计算和实例预报结果表明,预报准确较高。     

基于RBF-BP组合神经网络模型的特高拱坝混凝土浇筑仓最高温度预测

鉴于混凝土浇筑仓最高温度对特高拱坝温控防裂的重要性,为了实现对混凝土大坝最高温度的有效控制,将BP神经网络、RBF神经网络相结合,选取浇筑温度、施工现场环境气温、浇筑仓层厚、水管布置、通水的水温和流量作为输入矢量,浇筑仓最高温度作为输出矢量,建立一种基于RBF-BP组合神经网络的浇筑仓最高温度预测模型,并将其应用于溪洛渡特高双曲拱坝中。结果表明,基于RBF-BP组合神经网络预测模型可行、有效,且精度较高、收敛速度快。     

基于灰色关联和ABC-BP神经网络的叶绿素a浓度预测

为预测太湖梅梁湾叶绿素a浓度,建立了基于灰色关联和ABC-BP神经网络的叶绿素a浓度预测模型,即通过灰色关联分析选取总磷、CODMn、水温、pH值、悬浮质为BP神经网络的输入变量,采用人工蜂群(ABC)算法优化网络权值与阈值,构造基于ABC算法优化的BP(ABC-BP)神经网络模型,预测出2014年1月?2015年12...     

基于人工神经网络的回热系统主要故障预测模型

为有效预测回热系统故障,分别基于Traingda、Traincgf和Trainrp算法建立回热系统故障征兆和故障现象的误差反向传播神经网络预测模型,输入层为故障征兆,输出层为故障现象。以某电厂的实测数据对3种预测模型进行训练和测试,训练和测试结果表明:基于Traincgf算法建立的预测模型测试误差最小、收敛速度较快。其模型网络为9-7-9结构,动量因子为0.6,学习速率为0.8。基于Traincgf算法建立的回热系统故障征兆和故障现象的误差反向传播神经网络预测模型可有效通过故障征兆预测回热系统的故障现象,对回热系统的故障检测有一定的参考价值。     

用于制冷机组性能分析的神经网络模型

本文建立了制冷机组性能神经网络模型，并用测试数据进行了训练。结果表明，人工神经网络方法是分析制冷机组性能的一种有效途径。     

基于模糊识别神经网络的淮北市水质综合评价

人工神经网络和模糊识别理论作为模拟生物体的信息处理系统。在实践中得到广泛的应用。结合二者的优点构造了模糊人工神经识别网络,并将其运用于淮北市水质的综合评价中。利用淮北地表水观测资料,对该市水质进行了较为客观地评价,为水环境治理及水资源保护提供了科学、客观的依据。