改进的GM(1,1)模型在地铁运营隧道的沉降预测分析

工程监测中常用灰色系统的GM(1,1)模型对建(构)筑物沉降进行预测分析,但由于GM(1,1)模型本身的局限性,其预测往往存在较大误差,为了提高GM(1,1)模型在预测分析上的准确性,本文提出采用利用残差修正的方法对GM(1,1)模型进行改进,并利用该改进模型对地铁运营隧道的沉降进行预测分析,实验证明该方法相对于传统的GM(1,1)模型在预测分析的精度及可靠性上均得到了大幅提高,在工程监测上有较好的适用性。     

人工神经网络在商场建筑物冷负荷预测中的应用

对空调系统进行冷负荷预测是对冰蓄冷系统进行优化控制的重要前提与基础。经过对各种预测方法的结果比较 ,人们发现人工神经网络预测的结果更接近实际值。基于人工神经网络的通用BP( Back Propagation)算法编制的程序 ,实际对一栋采用冰蓄冷空调的商场性质建筑物进行冷负荷预测并加以评价。此程序采用 Visual Basic编制 ,含有 7个输入层以及 1个输出层 ,利用通用 BP算法。结果显示利用人工神经网络预测建筑物冷负荷比较可靠。     

基于灰色理论的电力负荷预测模型改进及仿真研究

本文简要地介绍了电力系统负荷预测的意义,通过对灰色理论预测方法的研究,找出了灰色建模的局限性并提出了改进的方法。通过对负荷原始数据序列的预处理及优化,增强了灰色预测对波动负荷数据序列的处理能力,大大提高了灰色预测方法的适用范围和预测精度;利用等维新息递推GM (1,1)模型进行预测,保证了预测能够较为充分地利用新信息,能够满足中长期负荷预测的要求。此外,本论文还以matlab为平台,完成了基于灰色系统理论的电力负荷预测仿真系统的设计与实现。通过实例将改进模型与普通GM (1,1)模型进行比较,证明改进模型具有比普通GM(1,1)模型误差小、精度高的优点。     

基于GM(2,1)模型的短期电力负荷预测

传统的灰色系统GM(1,1)模型只适用于呈近似指数增长趋势的原始数列,而GM(2,1)模型适用范围更广,被广泛应用于各个行业。但由于计算复杂,以及模型自身存在的问题,在电力负荷预测上鲜有人研究。现将GM(2,1)模型运用于短期的电力负荷预测中,详细列出参数的计算过程,并与传统的GM(1,1)模型进行对比,结果表明,GM(2,1)模型比GM(1,1)模型预测精度更高,并且G M(2,1)模型预测的精度基本不受数据的影响,使用范围更广。     

GM（1，1）模型在高层建筑物沉降监测中的应用

详细地介绍了GM(1,1)模型及模型精度评定,利用GM(1,1)灰色模型和回归模型对宜昌均瑶国际广场的沉降进行预测,将预测结果进行对比,分析表明GM(1,1)灰色模型能较好地预测该建筑物的沉降趋势。     

基于灰色理论的建筑需求冷量预测研究

建筑需求冷量预测能够帮助建筑运行人员提前了解建筑的需求冷量,制定最优的空调系统运行策略,以实现系统安全节能运行。针对某综合大楼的间歇制冷空调系统,基于其历史运行数据,应用灰色预测对该系统早晨的需求冷量进行了研究。建立了多个等维度新陈代谢灰色模型,预测了不同工作日的早晨需求冷量。对比分析了仅以历史冷量建模的GM(1,1)模型和考虑室外气温对冷量影响的GM(1,2)模型的预测准确性。结果表明,GM(1,2)模型较GM(1,1)模型预测精度更高,即考虑到室外气温对冷量的影响时,能够更准确地预测建筑需求冷量。灰色预测模型简单、计算量小,易于集成到建筑设备管理系统中,预测得到的需求冷量可以为空调系统运行优化提供参考。     

冰蓄冷技术在空调冷源中的设计应用

通过冰蓄冷技术在某具体项目中的应用,介绍了冰蓄冷空调技术的设计方法、工作原理和控制要求。冰蓄冷空调方案要结合当地电力政策、峰谷段电价差等因素经详细的经济对比进行确定;设计日逐时负荷计算、系统负荷预测能力、完善的自控系统和优化控制模式是冰蓄冷空调安全、经济运行的重要保证。     

高边坡安全监测的改进GM模型预测研究

由于一般的 GM(1,1)模型进行预测存在较大的局限性及产生系统误差,对一般 GM(1,1)模型进行了误差来源追踪分析并提出改进方法,得到改进后的 GM(1,1)预测模型,并将其用于高边坡安全监测。依据碧口水电站高边坡连续 8 a 的监测数据(第 6,7 a 的数据予以剔除),建立了碧口水电站高边坡灰色安全监控模型。把改进的 GM(1,1)预测模型与一般的 GM(1,1)模型、统计模型等预测模型进行了对比,同时还进行了平均误差、相关系数以及最大误差分析对比。研究表明,改进后 GM(1,1)模型监控精度较高,预测结果与实际吻合较好。     

基于负荷预测的中央空调节能控制

结合对空调冷负荷进行预测的必要性,通过具体工程实例介绍了基于负荷预测的中央空调节能控制,阐述了冰蓄冷空调系统优化控制的一般过程,给出了进行负荷预测的方法及基于负荷预测的中央空调优化控制方案。     

新陈代谢GM（1,1）模型在河流水质预测中的应用

针对常规GM(1,1)模型存在的不足,运用灰色系统理论,建立了灰色新陈代谢GM(1,1)河流水质预测模型,对该模型的精度以及误差进行了分析,并利用该模型对某地区河流的水质进行了预测,预测结果显示:灰色新陈代谢GM(1,1)预测模型能够明显地提高预测精度,增加预测的可信度。     

GM(1,1)与GM(2,1)模型在基坑工程预测中的应用

灰色系统理论已经在岩土工程领域有广泛的应用。本文把灰色系统中的GM(1,1)模型和GM(2,1)模型应用到基坑工程中,并编制了预测计算程序GYC1.0用于锚杆拉力、地面沉降和地面水平位移预测计算。工程实践说明:GM(1,1)模型比GM(2,1)模型更可靠,稳定性高,但是GM(1,1)模型短期预测时效果良好,中期预测时效果偏差较大,长期预测则要慎重。     

GM(1,1)优化模型在基坑变形预测中的应用

基坑边坡系统是一典型的灰色系统.其变形发展过程可用灰色系统理论进行预测.本文在常规全息GM(1,1)模型的基础上,采用等维新息迭代法GM(1,1)模型对郑州太阳城紫荆花园基坑变形进行模拟预测,结果表明了迭代法GM(1,1)模型比常规的GM(1,1)模型预测精度高,更符合工程实际.     

基于小波神经网络冰蓄冷空调负荷预测

为了节省冰蓄冷中央空调系统的运行费用,准确地预测空调冷负荷是必不可少的。采用db1小波对冰蓄冷空调冷负荷序列进行分解,分别对低频和高频序列采用BP网络进行预测,将预测结果进行叠加得到最终预测值。结合实例进行了空调逐时冷负荷预测,通过小波-BP网络与BP网络预测结果的对比,可知小波-BP网络预测的效果更好。     

GM(1,1)模型在建筑物沉降预测中的应用及Matlab的实现

针对建筑物出现的变形问题,提出在现有建筑物观测数据的基础上,运用灰色理论的方法,建立GM(1,1)模型,来预测该建筑物的沉降量,并用Matlab来对GM(1,1)算法进行实现.分析结果表明,GM(1,1)模型能较好地预测建筑物的沉降发展趋势,具有较强的实用性.     

GM(1,1)模型在凤山隧道变形预测中的应用

针对GM(1,1)模型在隧道围岩变形预测中的缺点,提出采用模型维数控制的方法进行预测。研究GM(1,1)模型的数学原理,针对隧道围岩的变形特点利用数学方法改进模型背景值的计算公式,并利用等维替代法不断更新预测模型。通过对比传统GM(1,1)模型可知,改进后的模型预测精度有较大提高,能较好预测围岩实际变形情况和趋势。     

改进背景值的新陈代谢GM(1,1)在变形预报中的应用

文献[1]根据GM(1,1)模型的指数特性,通过在其白化微分方程区间上求积分推导出了背景值的一个计算公式.本文在此基础上,利用该公式建立了新陈代谢GM(1,1)模型.实际算例表明由此建立的新陈代谢GM(1,1)模型的预测结果高于传统背景值下的新陈代谢GM(1,1)模型,表明了改进背景值的新陈代谢GM(1,1)模型合理性,其可用于测量数据处理中的变形分析预报.     

改进GM(1,1)在高铁隧道沉降变形预测中的对比应用

针对GM(1,1)模型在高铁隧道沉降变形分析与预测中精度不理想的情况,在GM(1,1)模型的基础上,建立了自适应GM(1,1)模型与残差修正GM(1,1)模型,并讨论了2种改进模型的各自优点。依据某隧道沉降监测数据,进行工程实例分析,得出自适应GM(1,1)模型与残差修正GM(1,1)模型在一定程度上均提高了原模型的预测精度和预测曲线的相关性;残差修正GM(1,1)模型对于沉降曲线波动较大处仍有较好的拟合与预测效果,其预测效果优于自适应GM(1,1)模型。     

基于改进PSO-BP神经网络的冰蓄冷空调冷负荷动态预测模型

当前多数冰蓄冷空调冷负荷动态预测方法中,由于模型输入变量与输出结果相关性差、信息冗余度高等原因,导致多数预测模型在预测精度和收敛速度方面都未达到理想的预测效果,因此,提出一种改进的PSO-BP神经网络算法预测大型公共建筑的冷负荷。对于输入变量与输出结果采用灰色关联度分析,消除样本输入变量对数的耦合性,确定影响冰蓄冷空调系统冷负荷的关键性因素,将其作为输入变量,预测冰蓄冷空调系统动态冷负荷。结果表明：T时刻室外空气温度、T-1 h时刻室外空气温度、T时刻室外空气湿度、T时刻太阳辐射强度、T-1 h时刻太阳辐射强度、T-1 h时刻空调冷负荷是影响T时刻冰蓄冷空调系统冷负荷的关键因素,并以此作为预测模型的输入变量。相对于传统PSO-BP神经网络全输入变量预测算法,该模型预测结果精确度更高、收敛速度更快。     

基于GM(1,1)模型的建筑沉降预测方法

本文简述了GM(1,1)模型的基本原理及精度检验方法,通过DPS数据处理系统分别对工程实例的3组数据建立GM(1,1)模型,并对模型的精度及预测效果进行分析。结果表明该方法在建筑物沉降预测中具有较高的精度和效果。     

改进GM(1,1)在高铁隧道沉降变形预测中的对比应用

针对传统GM(1,1)模型在高铁隧道沉降变形分析与预测中精度不理想状况,本文在传统GM(1,1)模型基础上,建立自适应GM(1,1)模型与残差修正GM(1,1)模型并讨论两种改进模型各自优点。利用传统GM(1,1)模型、自适应GM(1,1)模型以及残差修正GM(1,1)模型对某高铁隧道监测点作沉降分析与预测。通过对比,得出自适应GM(1,1)模型与残差修正GM(1,1)模型对原模型的预测曲线相关性和预测精度有一定程度提高;残差修正GM(1,1)模型对于沉降曲线波动较大处仍有较好的拟合与预测效果,其预测效果优于自适应GM(1,1)模型。