城市燃气小时负荷预测模型研究

城市燃气小时负荷预测的研究对燃气调度系统的安全与稳定具有重要意义。为了提高城市燃气小时负荷预测精度,在分析讨论主成分分析特性和BP神经网络优缺点的基础上,建立了利用主成分分析法对BP神经网络进行优化的小时负荷预测模型。该模型综合了主成分分析的降维特性和BP神经网络具有强大的自学习和自适应能力等特点,首先通过主成分分析法对所有相关影响因子进行降维处理,再将处理后累计贡献率占比85%以上的几种主成分作为输入层神经元输入BP神经网络进行训练,最后运用该组合模型对某县的小时负荷进行预测。实例分析表明:与单一模型相比,提出的PCA-BPNN组合预测模型精度更高,是一种更为有效的城市燃气小时负荷预测方法。     

大坝安全监控PCA-BP融合模型研究

针对大坝资料分析中经常遇到多因子的相关性影响分析效果的问题,利用主成分分析法提取综合变量,与BP神经网络相融合构建了大坝安全监控 PCA-BP 融合模型,并与传统大坝安全监控模型做了对比分析.结果表明,模型优化拟合精度得到提高,收敛时间加快.     

基于蚁群灰色组合算法的瓦斯爆炸检测仪研究

瓦斯气体检测仪传感器在实际生产中由于自身构造和环境因素的影响会产生输入、输出非线性问题,针对这一问题,通过蚁群灰色组合模型算法对传统BP网络进行优化。该方法在传统BP算法的基础上,建立了蚁群灰色神经组合算法来调整BP网络权值的新模型。将新模型与传统BP模型进行仿真实验比较,实验结果表明:蚁群灰色神经网络算法可以有效的克服BP算法所存在的缺陷,能够提高瓦斯检测系统的精度及收敛速度。     

非线性主成分分析和RBF神经网络的 电力系统负荷预测

电力系统负荷预测是电力系统规划与运行的重要内容,为提高负荷预测的精度,针对主成分分析法在涉及到多指标预测体系中降维作用不明显,且考虑不到指标间非线性关系的问题,采用非线性主成分分析法改进RBF神经网络输入量,该方法克服了数据之间相关性的约束,进一步降低了预测指标维数,兼顾了指标间非线性关系,保留了原始数据的足够信息,获得电力系统负荷预测的主成分,显著地减少了径向基函数神经网络的输入量,从而提高了电力系统负荷预测的精度。实例分析验证了该方法的有效性。     

基于PCA—BP神经网络的锅炉煤质的软测量

采用主元分析法（PCA）与BP神经网络相结合的方法,为电站锅炉入炉煤质中的挥发分和低位热值建立了软测量模型。应用主元分析法对与入炉煤质相关的运行参数进行降维处理,再将处理过后的综合变量作为BP神经网络的输入变量,方便和简化了过程数据的处理,亦使得煤质预测的精度得到了有效提高。     

基于改进KPCA和GA-BP神经网络的电能质量稳态指标预测

为提高电能质量稳态指标预测精度,以气象因素、有功负荷及历史电能质量数据作为输入变量,提出一种基于改进核主成分分析(KPCA)和遗传算法(GA)优化BP神经网络的电能质量稳态指标预测方法,首先将改进K-means聚类算法与KPCA相结合,通过改进K-means算法将输入变量划分为不同的子类,降低了核矩阵维数;再利用KPCA提取每类输入变量的非线性主成分,简化网络结构;然后分别将每一类中提取的特征作为BP神经网络模型新的输入变量,并结合GA算法优化BP神经网络参数,建立每一类数据的预测模型。算例应用结果表明,该方法的预测精度明显优于传统BP神经网络预测方法和KPCA+BP神经网络预测方法。     

基于主成分分析和BP神经网络的能源供需安全研究

基于主成分分析法,运用Matlab7.0软件中的BP神经网络工具箱对1985～2007年我国的能源供需安全状况进行了训练及测试.测试结果表明,主成分分析与BP神经网络的结果较吻合,BP神经网络运用于能源安全领域可行、有效.同时,得出自1985年以来我国能源供需安全状况大体上逐年提高,从2005年开始大幅提高,但仍未摆脱较差的境地,未来前景不容乐观.     

基于LSTM网络的光伏发电功率短期预测方法的研究

提高光伏发电功率预测结果的精度对电网规划和调度具有重要意义。基于前向神经网络或回归分析法的传统预测模型因缺乏历史记忆能力而导致自身鲁棒性较差、适应能力较弱。为了解决上述问题,文章提出了一种基于LSTM网络的光伏发电功率短期预测方法。在预处理过程中,文章先将天气类型依据日照晴朗指数量化为具体数值;然后,利用主成分分析法将与光伏发电功率相关性较高的多元数据序列进行降维,得到主成分数据序列;最后,建立基于LSTM网络的光伏发电功率短期预测模型,并将该模型的预测结果与BP网络预测模型和RNN网络预测模型的预测结果进行对比。模拟结果表明,基于LSTM网络的光伏发电功率短期预测模型能较好地反映时序数据的动态特性,预测精度较高,预测结果能够为电力调度部门提供可靠的数据支持。     

基于多方法优选预报因子的天山西部山区融雪径流中长期水文预报

为实现天山西部山区喀什河流域冰川融雪区域的水资源可持续开发利用,更好地支撑所在区域工农业生产发展,有必要开展融雪径流中长期水文预报研究。基于相关系数法、主成分分析法及两种方法相结合的综合方法优选预报因子,采用BP神经网络模型和组合小波BP神经网络模型预报径流。结果表明,采用综合方法筛选出的预报因子集合可以得到更好的预报结果;组合小波BP神经网络模型在3个不同方案中的预测效果均优于BP神经网络模型的预测结果,其预报精度更高。研究成果可为该区域融雪径流模拟研究及洪水预报提供参考。     

基于主成分分析和BP神经网络的赣江流域中长期径流预报

针对赣江流域开展水量调度对中长期径流预报的迫切需求,在分析赣江流域径流特性的基础上,以降雨、径流等常规因子和130项大气环流指数等相关因子为预报因子,分别构建基于相关系数法、逐步回归方法、主成分分析法三种因子筛选方法的BP神经网络中长期径流预报模型。研究结果表明,主成分分析方法筛选的预报因子可较好描述未来径流的变化趋势,所构建的基于主成分分析的BP神经网络中长期径流预报模型在率定期和检验期的合格率均满足规范对作业预报模型的精度要求,可作为赣江流域中长期径流预报的支撑模型。研究成果为赣江流域开展水资源优化配置和水量调度提供了依据。     

基于主成分分析的神经网络在需水预测中的应用

需水量预测是水资源规划与管理的重要内容,建立高精度的需水量预测模型,可为区域水资源规划提供技术支撑。以南昌市为例,利用2005~2015年的实际用水量数据,对南昌市16个用水总量影响因子进行主成分分析,以提取的主成分作为BP神经网络的输入样本,建立BP神经网络需水预测模型。结果表明,经过主成分分析,16个用水量影响因子可用8个主要影响因子代替。建立的BP神经网络模型的需水预测平均相对误差仅为1.37%,预测精度较高,可作为区域需水预测的一种可靠方法。研究成果可为类似区域提供借鉴。     

模式识别在发电机局部放电检测系统中的应用

本文简要介绍了发电机局部放电及在线检测系统的结构,主要分析了BP神经网络学习算法及在发电机局部放电模式识别方法中的应用。通过对发电机三种典型放电模式的识别,验证了基于该算法的模式识别方法可应用于发电机局部放电检测系统中。     

基于模糊BP神经网络的发动机磨损模式识别研究

结合大量铁谱分析数据与专家经验,分析了发动机磨损模式识别原理,给出了发动机磨损模式识别标准样本库,建立了发动机磨损模式识别的BP神经网络模型,并结合磨损模式识别实例,验证了识别结果的可靠性。实践证明,BP神经网络方法能够快速、准确、有效识别发动机磨损模式。     

基于PCA-Elman神经网络的短期PV/T组件温度预测

为了进一步提高光伏/光热一体化(PV/T)系统中PV/T组件温度的预测精度,使得PV/T系统能够根据PV/T组件温度的波动情况提前准确地做出控制决策,以优化控制效果,文章在分析PV/T组件温度与气象因素的相关性以及相邻时间序列温度自相关性的基础上,采用主成分分析法对原始输入样本数据进行预处理,并提取该样本数据的主成分,然后结合反馈型Elman神经网络理论,建立动态预测模型。研究结果表明,相对于未提取主成分的神经网络模型,提取主成分的神经网络模型的预测精度更高,泛化性能更强。     

基于相似日和主成分分析的光伏发电系统短期出力预测

针对光伏发电功率的间歇性和波动性,提出了一种基于主成分分析(PCA)和粒子群优化(PSO)算法的BP神经网络短期发电功率预测方法。该方法先对原始输入数据进行主成分分析,再将分析结果作为BP神经网络的输入数据。由于粒子群算法搜索速度较慢,但全局搜索能力较强,而传统的BP神经网络搜索速度较快,但易陷入局部极值点,因此将两者结合起来,既弥补了各自的劣势,又避免了预测模型的失效,从而提高了预测模型的预测精度。分析结果表明,当天气类型改变时,该预测模型的有效性不变,预测误差均小于20%。     

一种基于主成分分析与支持向量机的风电齿轮箱故障诊断方法

为解决风电齿轮箱状态监测数据样本量较少,特征指标间存在相互干扰且具有非线性难以分类等问题,本文提出了一种基于主成分分析结合支持向量机的风电齿轮箱故障诊断方法。首先,采用主成分分析法(PCA)对原始数据进行降维,做出第1,2主成分二维图及前3个主成分三维图,表明PCA对监测状态数据具有一定的分类效果。其次,提取累计贡献率80%以上的前5个主成分作为数据集。最后,采用支持向量机(SVM)比较4种不同核函数的诊断准确度,并加入噪声验证。分析结果表明：径向基核函数构建的支持向量机总体分类精度达到97%,准确率最高;在含噪的情况下,线性核函数与径向基核函数分类精度达到94%;与MLP神经网络进行对比发现,支持向量机更适应小样本分析且测试精度较高。实例分析表明,主成分分析结合支持向量机有较好的分类效果,适用于风电齿轮箱故障诊断的工程应用。     

基于多位置NWP的超短期风速预测研究

数值天气预报(NWP)是影响风电场超短期预测精度的主要因素。采用数据挖掘技术中的主成分分析方法,对位于一个风电场多个位置的NWP各指标数据进行主成分提取,获取几个综合指标,使得新的输入变量维数降低,分量间相关性减小。在此基础上,利用BP神经网络和泛化回归神经网络(GRNN)建立超短期风速预测模型,实验结果显示,基于主成分分析提取的GRNN预测模型预测精度更高。     

改进主成分分析法在南淝河水质评价中的应用

针对传统主成分法的逆指标化、无量纲化和构建综合指标三方面的问题进行改进,将指标特征值变换为指标相对隶属度、同步解决逆指标和无量纲化问题,改进特征向量方向选取方法,据此构建的综合指标解决了传统主成分分析法可能出现的指标相悖问题,并将其应用于南淝河水质综合评价中,与传统主成分分析法做了比较。结果表明,改进的主成分法计算效率高、水质评价合理。     

基于GNBR算法的BP网络对绝缘子 运行状态预测研究

电力系统输电线路绝缘子运行中受到空气环境的污染,绝缘子表面污秽主要有大气中的盐密和灰密成分,不同地区不同环境下盐密和灰密对对绝缘子闪络电压影响具有非线性关系,为了较好辨识此非线性关系,运用基于GNBR算法的BP神经网络诊断该非线性关系,BP网络中采用GNBR算法,使网络具有很好的收敛性和很高的辨识精度,解决了BP网络局部最优、训练速度慢和辨识精度低的问题。实验结果表明设计的基于GNBR算法的BP神经网络能够很好地辨识绝缘子污秽对闪络电压的影响关系。     

基于主成分分析优化BP神经网络模型的厌氧膜生物反应器膜污染预测*

膜污染是厌氧膜生物反应器运行中不可避免的问题,制约了工艺技术的推广应用,分析膜污染的形成过程是控制膜污染的重要内容。基于主成分分析（PCA）和反向传播神经网络（BPNN）的理论,提出了一种采用主成分分析优化BP神经网络的膜污染预测模型。以反应器连续运行试验数据为样本,利用相关性分析确定模型的输入变量,并基于输入变量间存在信息重叠问题,采用主成分分析法对输入因素进行降维处理,提取贡献率为70.4%的第一主成分和贡献率为17.7%的第二主成分作为输入特征。结合模型的贡献度分析和主成分分析发现,反应器内的污泥浓度是膜污染影响因素中最主要的特征变量,贡献度为34.9%。对比分析优化模型和单一模型的预测结果,发现PCA-BPNN模型的拟合效果更好,平均相对误差仅为3.8%,可用于膜污染分析研究,为后续研究提供参考。