基于预测的城市供水管网运行评估方法

文中提出了一种基于预测的城市供水管网运行评估方法。基于精细化管理需求，为提高城市供水系统效率，响应节能供水号召，在此背景下，使用机器学习方法以及集成学习思想，首先利用了融合多纠偏机制的混合需水量预测模型对供水区域未来1 d的居民总需水量进行预测，然后提出了基于序列到序列的编解码网络结构对管网各个节点的水压进行分钟级预测。最后基于预测信息、节假日信息等提出了管网测压点的压力动态阈值的优化方法，实现了对城市供水管网整体运行状态的准确评估，为城市供水系统的水量调配提供调度指导，通过压力波动数据可以看出，研究所提供的阈值计算方法提高了调度决策水平。与此同时，文中以上海某区域为背景，通过需水量预测以及管道压力预测的方法，验证了所提出的模型在实际工作中，相较于传统模型具有更高的预测精度。     

BP神经网络在城市燃气管道剩余寿命预测优化

针对城市燃气管道布局复杂、影响因素众多的特点,作者提出基于BP神经网络模型的统计模型对城市燃气管道进行剩余寿命预测,用差值模型修正BP神经网络模型预测值。实验结果表明:针对城市燃气管道剩余寿命的预测,BP神经网络模型的统计模型具有很好的预测能力和较佳的推广能力,验证了构建的基于BP神经网络的时间序列预测模型的有效性和普遍适用性。     

基于聚类算法的模糊神经网络MCP预测方法研究

本文提出采用聚类算法的模糊神经网络来预测MCP。该预测模型结构简单,是数据驱动的模型,通过对输入输出数据对的模糊C均值聚类确定模糊规则的数目,解决了全连接模糊神经网络模糊规则数目难以确定以及网络复杂所带来的训练时间长的问题。     

活性炭吸附甲基橙模拟废水预测模型研究

分别采用BP人工神经网络算法及多元线性回归法,以实验所得的36组数据为样本,建立了以吸附时间、活性炭投加量及甲基橙废水浓度为输入变量,以活性炭吸附处理后甲基橙溶液的吸光度为输出变量的吸附预测模型,并进行了两模型预测效果的对比。结果表明,BP神经网络模型获得了比多元线性回归更好的拟合预测效果。使用BP神经网络模型可以实现同时考虑三个操作因素条件下活性炭吸附特性的预测,而且预测结果与实验数据吻合度较高,其预测样本最大和最小相对偏差分别为2.92%和0.029%,残差绝对值小于0.050 5。     

煤种成浆性的人工神经网络预测模型研究

为更好地预测煤的成浆性,以大量煤种成浆浓度试验数据为基础,建立了3个输出因子的神经网络成浆浓度预测模型,模型采用L-M算法,对输入数据进行数据预处理,最后对比分析了神经网络预测模型与回归分析模型的预测结果。结果表明,以A_d、哈氏可磨性指数HGI和氧含量O为输入因子的模型预测结果平均绝对误差为0.63%,以M_(ad)、HGI和O为输入因子的模型预测结果平均绝对误差为0.60%,以M_(ad)、HGI和氧碳比O/C为输入因子的模型预测结果平均绝对误差为0.40%,3种组合的模型结果均小于回归分析模型的平均绝对误差1.15%。因此神经网络模型比回归分析模型有更好的预测能力,其中以M_(ad)、HGI和O/C为输入因子的神经网络模型预测结果最好。     

基于人工神经网络的电力负荷预测算法研究

电力负荷数据管理系统是电力营销技术支持系统的组成部分,对电力系统运行有着重要的辅助作用。采用神经网络预测模型．设计输入变量和确定神经网络结构的方法和算法．可以使得从历史样本知识数据到最终预测模型的建模过程变得简单明了,便于实际应用。预测方法是使用MATLAB建立模型,对24个负荷点预测,采用多输入单输出的神经网络预测每天的整点负荷值。因为电力负荷与环境因素有关,在输入、输出向量设计中输入变量加入天气特征值。根据输入、输出向量对BP网络设计。该算法结构简单,最后进行短期负荷预测仿真,仿真结果表明其有较好的预测精度。该模型具有网络结构较小,训练时间短的优点,并考虑不同小时负荷差异,易于实现,具有较高的预测精度．预测误差在15％以下,一定程度上克服传统算法收敛速度慢,容易陷入局部积小的缺点。     

基于遗传算法和长短记忆神经网络组合模型的加油站销量预测

针对加油站销量波动大且非线性特征明显,使用传统时间序列的预测模型无法满足实际预测需求的情况,提出基于遗传算法(GA)和长短记忆神经网络(LSTM)的销量组合预测模型,在原始数据的基础上加入温度、天气、油价、星期、节假日特征进行辅助预测,对文本类数据使用One-hot编码并使用Embedding降维,采用遗传算法求得LS...     

基于时序InSAR监测的VMD-SSA-LSTM矿区地表形变预测模型研究

矿区地表形变引起的滑坡、塌陷等灾害对矿山安全生产造成了极大影响，因此对地表形变进行预测对于矿山安全开采和灾害预警预报具有重要的现实意义。采用时序InSAR技术获取矿区面域式地表形变数据，结合变分模态分解算法(VMD)对其进行分解，通过构建麻雀优化算法(SSA)与长短期记忆神经网络(LSTM)相结合的预测模型，对分解后的形变分量进行综合预测；以云南省玉溪市大红山矿区为例，利用该模型对其地表形变进行了预测，结果表明：VMD算法在一定程度上可以解决矿山地表形变数据时序特征复杂且难以直接分析判别的问题；SSA-LSTM预测模型通过智能搜索算法自动寻找预测网络模型超参数，有效减少了人为因素对模型预测效果的干扰，模型预测结果的决定系数R²均大于0.96;同时，该模型采用“多维输入”的方式训练模型，提高了训练效率；该模型在预测精度、训练效率等方面均取得了较好的效果。采用VMD-SSA-LSTM预测算法对时间序列InSAR监测下的形变数据进行分析能有效预测矿区地表形变，可为矿山安全生产管理提供参考。     

遗传-神经网络方法在炸药性能预测中的应用研究

采用炸药的装药粒度、相对密度等因素建立炸药爆轰临界直径的人工神经网络预测模型,并采用遗传算法对预测模型的权值与阈值进行遗传优化,采用遗传-神经网络模型预测炸药的爆轰临界直径。预测结果表明,遗传-神经网络模型预测结果更加准确。     

基于卷积神经网络的撞击流反应器浓度场混合特性

基于PLIF测试技术结合卷积神经网络技术提出混合性能预测方法，分析水平对置撞击流反应器浓度场混合特性，能准确预测其内部浓度场的混合均匀度及混合时间。基于卷积神经网络构建了混合性能预测模型，利用水平对置撞击流反应器浓度场实验数据对构建的模型进行有监督地训练并进行预测，预测结果显示对混合均匀度的预测准确率达95%，计算效率提高了99.99%。为更好地理解混合性能预测模型对混合均匀度的预测机理，本文对其卷积层输出进行可视化处理，通过功率谱分析卷积核的响应给出了撞击流反应器浓度场特征提取的物理解释。最后利用预测模型搭建混合均匀度快速获取系统并应用于撞击流混合特性研究。所提出的基于卷积神经网络的预测模型可以有效分析水平对置撞击流反应器的混合特性，预测模型可靠、适用范围广，为深度学习算法应用于撞击流领域提供了方案经验。     

基于灰色BP神经网络的水泥强度预测模型研究

水泥强度的预测具有多变量、非线性和大时滞特性,因此传统线性回归方法的结果不准确。除此之外,传统的神经网络预测可能对少量样本不够精确。本文建立灰色BP模型,以此来预测水泥的强度。建立一个多因素灰色模型GM(1,N)用于水泥化学成分的样本数据进行预处理,得到新的数据来作为建立预测模型的样本数据,通过BP神经网络建立预测模型。最终通过建立的灰色BP神经网络预测模型来预测28天水泥强度。仿真结果表明:灰色BP预测模型的效果比BP预测的要准确。     

徐深气田CO_2腐蚀速率预测方法研究

通过室内CO2腐蚀模拟实验获得实验数据,利用灰色理论对CO2腐蚀参数进行分析确定CO2腐蚀的主要影响因素,建立BP神经网络腐蚀速率预测模型,利用主要影响因素进行网络训练。利用此模型预测徐深气田某井的腐蚀剖面,预测结果表明：BP神经网络预测结果与气井实验结果接近,体现了BP神经网络在处理非线性数据方面的优越性。灰色理论、神经网络预测模型的研究对于徐深气田CO2腐蚀研究有一定的指导意义。     

基于PSO优化LSTM的滚动轴承剩余寿命预测

为了提高滚动轴承退化特征关于时间序列的预测精度,使预测模型更加适用于滚动轴承的运行退化数据,采用粒子群算法对长短期记忆网络的参数进行优化,构建PSO-LSTM滚动轴承寿命预测模型,根据模型拟合出轴承的剩余寿命曲线.经过实验发现,PSO-LSTM网络模型可以较好地拟合复杂工况下轴承的寿命退化趋势,且与其他模型相比拟合效果...     

基于改进支持向量机的化学镀Ni-P/ZrO2复合镀层显微硬度预测模型的建立

选取对化学镀Ni-P/ZrO_2复合镀层的显微硬度具有代表性的影响因素作为输入变量,以正交试验获得的有限试验数据为样本,先建立基于传统支持向量机的预测模型,再采用遗传算法对传统支持向量机中的惩罚因子与核函数参数进行优化,最终建立基于改进支持向量机的预测模型。通过遗传算法进化迭代,提高改进支持向量机模型的预测精度。选取神经网络模型和传统支持向量机模型作为对比模型。结果表明:改进支持向量机模型的预测精度较高,可以利用该模型对化学镀Ni-P/ZrO_2复合镀层的显微硬度进行预测。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

基于灰色神经网络模型玻璃钢锚杆支护巷道变形预测研究

建立了用灰色系统预测GM(1,1)模型耦合BP神经网络预测模型组合形成的并联型灰色神经网络预测模型(PGNN)和串联型灰色神经网络预测模型(SGNN),对大冶铁矿矿岩接触带玻璃钢锚杆支护巷道围岩变形监测的结果应用两种灰色神经网络预测模型进行预测。预测结果与实测值的对比分析表明串联型灰色神经网络预测模型的预测精度高于并联型灰色神经网络预测模型、灰色系统预测GM(1,1)模型和BP神经网络预测模型,适合矿岩接触带玻璃钢锚杆支护巷道围岩的变形预测,且具有一定的合理性和准确性。研究结果表明玻璃杆锚杆对矿岩接触带巷道的支护效果良好,巷道变形在安全生产的范围内,为在此类矿岩接触带巷道中推行玻璃钢锚杆支护提供了理论依据。     

基于CNN-LSTM的工业出水水质预测模型

工业废水含有多种污染物,提前预测工业废水水质从而快速对其进行相应处理具有重要意义。为此,研究提出了一种新的卷积神经网络(convolutional neural network, CNN)和长短期记忆网络(long short-term memory, LSTM)融合的工业废水水质污染物指标预测模型(CNN-LSTM)。为了更好地捕捉工业废水数据的时序性和动态性,模型设置了多个滑动窗口。使用CNN算法将时间序列数据进行高维特征提取,利用LSTM模型学习时间序列数据的时序特征,建立CNN-LSTM工业废水预测模型,并对废水水质中的化学需氧量(COD_Cr)、氨氮、总磷(TP)3项指标进行预测分析。结果表明,与CNN和LSTM两个基准模型相比,CNN-LSTM预测模型的平均绝对值误差率(MAE)和均方误差率(MSE)均较小,预测效果较优。该模型能较好地实现对工业废水出水水质的准确预测,可为工业废水水质的在线监测和精准控制提供有效的、可行的技术支持和决策依据。     

基于多传感器技术的原油含水率预测模型研究

通过多传感器技术对原油含水率测量有影响的多个参量进行测定,提出基于多元非线性回归和神经网络融合处理两种方法建立原油含水率预测模型,并采用分段建模的方法分别进行改进.评价结果表明:神经网络模型预测效果优于多元非线性回归模型,原油含水率分段预测模型效果优于统一模型.尤其是改进的神经网络分段预测模型具有网络结构简化、收敛速度快,泛化能力强的特点,取得很好的拟合精度和预测效果.     

基于MIC-CFS-LSTM的SCR出口NOx浓度动态预测

针对燃煤机组选择性催化还原(SCR)系统出口氮氧化物(NO_x)预测模型精度不高的问题，提出一种基于最大信息系数(MIC)和长短期记忆(LSTM)神经网络的预测模型方法。首先采用MIC估计各变量的延迟时间，对数据进行时延重构；然后采用重构后数据的MIC值作为评价各输入变量和输出变量间相关性大小的指标，并结合基于关联性的特征选择算法(CFS)进行输入变量筛选；最后基于时延重构和变量筛选后的数据，采用LSTM神经网络建立了SCR出口氮氧化物浓度动态预测模型。该模型被用于广东某320 MW燃煤机组实际运行数据分析。结果表明，经时延重构和变量筛选后所建立的LSTM预测模型具有较高精度，优于深度神经网络(DNN)模型和径向基函数(RBF)神经网络模型，平均绝对百分比误差达2.58%,均方根误差达2.02,可满足现场运用要求。     

基于离散灰色和BP神经网络的储罐不均匀沉降预测研究

介绍了离散灰色理论的建模机理,提出Levenberg-Marquardt算法改进的B P神经网络,分析两种预测模型单独使用时的优缺点。将离散灰色模型与改进的BP神经网络进行有机结合,给出利用BP神经网络对离散灰色模型残差进行修正的综合预测方法。接着利用该预测模型对大连储备库某罐体不均匀沉降进行预测。结果表明,综合预测模型弥补了单一预测模型的缺点具有更高的预测精度。