热负荷预测的RBF神经网络预测方法研究

由于BP神经网络存在一些缺点,本文采用RBF神经网络方法用于热电厂热负荷预测。预测结果表明：用本文的方法进行热负荷预测得到了十分满意的结果。     

基于AP-TS-SVR模型的热电厂工业热负荷预测

工业热负荷预测对保障工业生产过程安全和提高热电厂经济性具有重要意义,然而工业热负荷影响因素众多且有较强的随机性,因而采用常规单一负荷预测方法预测难度较大.建立了一种通过平均比例法将时间序列与支持向量机相结合的AP-TS-SVR混合模型,并对某热电厂工业热负荷进行了预测.结果表明,在预测的72h(3个预测日)中,只有6h...     

鞍山热电厂采暖期热负荷分配优化方案

该文在建立鞍山热电厂热力设备的多变量特性方程的基础上，应用最优化理论，建立了鞍山热电厂采暖期负荷分配的优化数学模型，得出了鞍山热电厂在采暖期负分配的优化方案，图１表２参６。     

热负荷的预测分析

应用Matlab神经网络工具箱函数,建立了可用于热网供暖短期预测的前向反馈BP网络模型,并根据乌鲁木齐市华源热力公司的实际供热网络数据,对所建立的网络进行了训练和检验.结果表明:该模型具有较好的预测特性,为热网监控与调节提供了依据,从而可实现按需供热,节约能源.     

基于机器自学习的供热系统热负荷预测

传统的集中供暖系统热负荷预测取决于操作人员的经验,与系统实际热负荷相差过大,容易造成热用户侧温度过高或过低,影响热用户体验,不利于系统节能。采用机器自学习的方法,对大连某供热系统2019年至2021年的系统数据进行处理,基于多元线性回归、多项式回归、岭回归、Lasso回归、神经网络算法建立供热系统热负荷预测模型,并对比预测效果。结果显示：采用BP神经网络模型的供热系统热负荷预测结果比经验预测结果高8.7%,随着模型不断地自学习与自优化,预测结果的精度可进一步提高。     

基于BP神经网络灰色回归组合模型的年最大负荷预测

为克服单一电力负荷预测模型的局限性,改善预测结果,提出了一种基于BP神经网络灰色回归组合模型的年最大负荷预测方法。在BP神经网络预测模型中,采用Levenberg-Marquardt算法对参数迭代过程进行优化;在灰色预测模型中,采用加政策因子处理法对原始数列进行改造以强化数列的递增趋势;在回归预测模型中,采用逐步线性回归法剔除对因变量影响较小的自变量。最后利用方差-协方差法对三种预测模型进行加权组合。以广州市2007—2016年实际数据对组合预测模型进行验证,并对广州市2017—2019年的年最大负荷进行预测。结果表明:所提方法预测精度较高且误差在工程允许范围之内,具有一定的工程实用价值。     

基于小波分析改进的神经网络模型 电力系统负荷预测

建立了模糊决策模型分析所给历史负荷数据的关联度,以提取对预测有贡献的有用数据,除去"坏数据",即对原始数据进行预处理。建立了神经网络模型,并结合小波分析和神经网络的优势建立改进小波神经网络的结构模型,预测出待测日96个时间点的电力负荷值。通过准确度分析,验证了模型的合理性。进而将所建模型应用于某地区进行负荷预测,并且对该地区的负荷特点及规律性进行了讨论。     

基于卷积神经网络的负荷预测

电力负荷预测对于保证大扰动下的系统稳定、优化智能电网中的能源分配具有重要意义。传统的预测模型主要基于时间序列分析,由于其不可忽略的预测误差,已经不能完全满足电力系统的实际需要。为提高预测精度,将时间序列数据分析转变为图像处理,并利用计算机图像领域广泛使用的深度学习方法进行电力负荷预测。卷积神经网络(convolution neural network, CNN)作为图像处理的有力工具,尽管已有学者将其用于时间序列数据处理,但仍是将数据作为序列矩阵处理,并未体现出CNN处理图像矩阵的优势。因此提出基于序列到图像转换的CNN(sequence to image convolutional neural network, STI-CNN),将负荷序列转换为负荷图像,使CNN可以更有效地提取相邻信息特征,充分考虑到各种外部影响因素,使用双分支深度网络模型对输入数据进行精确聚类,通过STI-CNN方法进行负荷预测。负荷预测实验结果表明,所提STI-CNN方法在不同的预测指标方面都有卓越的表现,所用预测时间更短,具有更高准确度。     

热电厂热电负荷分配方法的研究

针对热电厂对外供应２种不等价的能量－热能和电能的特点,根据热量法的原则,通过将供热机组的发电分解为热化发电和凝汽发电,经过理论推导得出了热电厂、电负荷分配的数学模型,将热电厂复杂的热电负荷分配简化为相对独立的热负荷分别进行分配,并给出了具体分配方法和应用实例。     

小型热电厂集中供热的探讨

结合小型热电厂建设的实际情况,对供热系统的设计和运行中的几个技术问题进行了分析和探讨。并提出了一些具体意见,可供供热系统技术人员在设计和运行中参考。     

非线性时间序列的RBF神经网络预测方法及其应用

将一种基于自动增加隐节点数目训练算法的径向基函数（RBF）神经用于非线性时间序列预测。这种方法成功地解决了BP网络的局部极小、隐节点数目的选择和过拟合问题,并用于热电厂热负荷预测。预测结果表明,用本方法进行热负荷预测得到了十分满意的结果。     

人工神经网络在火电厂煤耗在线计算中若干问题探讨

针对人工神经网络技术应用于火电厂煤耗在线计算中所涉及的样本空间构成、网络调试及网络信息使用等核心问题进行了探讨,指出该方法在技术上是可行的,为在火电厂现有的运行监控条件下机组煤耗的实时计算分析提供了一条新的途径.     

年径流变化的BP神经网络预报模型研究

针对现有基于线性方法的年径流预报模型预报精度不高的问题,利用乌江洪家渡1963~2016年径流系列资料,以5~10月月平均流量作为预报影响因子,构建以年径流量为预报对象的BP神经网络模型,形成6-11-1的网络结构,并选取泛化能力强的贝叶斯规则法TRAINBR为训练函数。模拟结果表明,模型预报效果良好,对于年径流预报具有实用价值;BP神经网络模型相比逐步线性回归方法能更精确表达年径流预报因子与预报对象的映射关系;采用的训练函数TRAINBR能有效改善模型的泛化能力。研究成果可为径流预报提供参考。     

欧阳海水库径流量预报的模糊神经网络方法

将成因分析、统计分析以及模糊集理论同神经网络系统有机地结合起来,建立了基于神经网络的模糊系统水资源预测模型,通过运用于欧阳海水库入库径流量的实际预测表明,所建系统预测能力强,预报效果好,具有较高的推广和应用价值。     

基于反馈快速学习网的热力系统混合预测模型

针对汽轮机机组功率难以精确计算的问题,提出一种热力系统混合预测模型以改善机组功率的计算精度。混合预测模型以热平衡方程为基本模型,以反馈快速学习网(feedback FLN,B-FLN)为补偿模型,将B-FLN的功率预测值作为热平衡方程功率计算值的补偿值。以某300 MW机组为研究对象,采用提出的混合预测模型对机组的功率进行预测,将其结果与热平衡方程计算值进行比较。仿真结果表明:混合模型输出功率误差小于±2 MW,降低了热平衡方程计算误差,为机组功率的可靠计算提供了一种新的解决思路。     

相空间神经网络模型及其在水文预测中的应用

简述了相空间神经网络模型原理和算法，并通过实例讨论了其在水文中长期预测中的应用。将混沌重构相空间理论和神经网络模型相结合，对揭示水文系统复杂的非线性结构是很有效的，经实例研究初步表明，该模型应用在水文中长期预报中是可行的、合理的，数学分析工具更为先进，有很好的预报精度和应用价值。     

基于BP神经网络的空调负荷预测

本文以城建国际大厦冷源系统的检测数据为依据,利用BP神经网络,建立了空调负荷预测模型,并取得了较好的结果。文章进一步分析了可能存在的误差及提高预测精度的方法。     

BP神经网络在新浇筑混凝土最高温度预测中的应用

鉴于在坝体混凝土开仓前准确预测新浇筑混凝土最高温度对防止大坝开裂的重要性,基于BP神经网络原理,以混凝土浇筑温度和冷却水管布置方式、通水温度、通水流量及气温、浇筑层厚度、混凝土龄期7个因素作为输入层,以实测混凝土浇筑仓内最高温度为输出层,利用Matlab神经网络工具箱,建立了新浇筑混凝土最高温度的BP神经网络预测模型,并通过实例对模型进行了验证分析。结果表明,冬季、夏季浇筑仓内混凝土最高温度的预测值和实测值之间的误差均约为0.5 ℃,二者吻合较好,可见该模型满足实际工程要求,也说明了BP神经网络在预测新浇筑混凝土最高温度方面具有可行性和实用性。     

基于神经网络的土石坝沉降组合模型

采用自适应模糊神经网络建立了土石坝的沉降组合模型,并以某土石坝为实例进行了具体分析应用,将神经网络预测模型与各个子模型进行了对比分析研究。结果表明,该组合模型具有较好的拟合和预报精度。采用模糊神经网络进行组合预报,可以避免常规组合模型难以确定权系数的困难。     

基于SCNN的转子热应力场的实现研究

热应力是监测机组寿命损耗的重要量 ,但现在对热应力的实时计算方法大多是采用解析方法 ,由于解析方法是对转子二维轴对称热传导方程的简化 ,这给热应力的计算结果带来了误差。基于这种背景 ,本文利用了有限元计算热应力场的中间计算结果 ,应用结构可控的前向神经网络 (SC NN)方法 ,仿真了热应力场的整体刚度矩阵代数方程组的求解 ,应用所得的节点位移 ,可求出转子的热应力场。