开窗自然通风热损失预测评估方法研究

根据某办公建筑开窗热损失实测结果,运用多元线性回归、BP神经网络、径向基函数神经网络(RBF)完成其热损失值预测,得到回归模型调整R~2为0.517,拟合度相对较低;BP神经网络预测结果最大误差为1.25×10~5,最小为0.1×10~5,较出现局部最低值,但不能满足整体最低值;RBF与实际值几乎相同,残差值波动小于BP神经网络,确定径向基函数神经网络预测效果最佳,BP神经网络次之,多元线性回归只适用于粗略预测。     

APSO-WLSSVM算法在水质预测中的应用研究

针对参数选择是影响加权最小二乘支持向量机水质预测效果的关键,给出了基于自适应粒子群优化算法参数优选的WLSSVM回归预测的建模过程,以大伙房水库为例,预测了库区水质主要影响因素,并与未优选的WLSSVM预测结果进行对比。结果表明,该方法参数寻优更可靠、快速,预测精度高。     

广义回归神经网络在土石坝渗流监测中的应用

通过建立土石坝渗流监测数据的广义回归神经网络(GRNN)模型,对花凉亭水库坝基渗流测压管的监测数据进行了拟合与预测,并将其拟合预测结果与反向传播神经网络(BPNN)、多元逐步回归模型的拟合预测结果进行对比分析。结果表明,GRNN模型在数据拟合与预测方面均取得了很好的效果。     

基于零信任的馈线自动化5G网络访问控制方法

针对能源物联网背景下,5G场景下的馈线自动化系统网络安全边界模糊、合法终端被利用作为跳板攻击内网的问题,文章提出一种基于零信任的馈线自动化5G网络访问控制方法。首先,选取能准确反映5G场景下馈线终端特性行为的数据作为信任评价指标,使得馈线终端信任值计算更加可靠;其次,采用多元线性回归模型预测馈线终端的信任值,并提出被访问资源的信任阈值计算方法;最后,根据馈线终端信任值与被访问资源的信任阈值进行访问决策,实现了更细粒度的访问控制。实验结果表明,相较于随机森林模型、支持向量机模型和径向基神经网络模型,多元线性回归模型在信任值预测准确性方面具有优势,并且其信任值预测时延能够满足馈线终端间对等通信对时延的要求。     

基于BP神经网络的大伙房水库洪水预报

鉴于大伙房水库洪水预报模型为集总式模型,其参数不仅需要优选法选定或人工试错法确定,还需要实时校正,因此根据大伙房流域特点提出了一种半分布式BP神经网络洪水预报模型,实现了模型中参数的自动率定,且由于其半分布式的特点还规避了原集总式模型的部分劣势。即采用DEM和ArcGIS根据水文站及自然流域分水线划分流域,创建BP神经网络,然后应用于各子流域断面及入库断面,预报其流量值,并在每个网络中均运用逐步回归分析法对输入层数据进行筛选,以得到影响最显著因子。将所建模型应用于大伙房水库,预报精度较好,可用于大伙房水库的正式预报。     

基于SCADA系统的风电变桨故障预测方法研究

风电机组变桨系统故障是目前造成机组停机的第一原因。文章对未来30 min的风电机组变桨故障进行预测,通过分析变桨系统潜在故障,制定维护保养计划;针对兆瓦级风电机组,分析SCADA系统的数据,提取变桨距系统故障特征;从风速、风向、桨距角和电机转速的输入、输出关系出发,应用多元线性回归分析和BP神经网络分别对变桨系统进行模型训练,对比两种算法的预测能力。通过分析故障预测模型性能指标、误差指标和输出数据图形可知,BP神经网络在风电变桨系统中的故障预测效果优于多元线性回归预测。     

基于时间序列的神经网络水质参数预测方法的应用

为准确预测水质变化规律,利用一种基于时间序列的神经网络水质参数模型预测方法,将时间序列预测方法与神经网络非线性建模方法相结合,通过时间序列的历史数据揭示特定水环境中水质参数随时间变化的规律,再利用神经网络的强非线性和自适应学习能力来预测未来的水质参数变化趋势,并用南津关水质自动监测站的监测数据验证了该方法的有效性。     

基于灰色关联度与BP神经网络的清河水库总氮浓度预测模型

为了实现清河水库总氮浓度的预测,建立了基于灰色关联分析的BP神经网络水质预测模型(GRABP),即采用灰色关联度的方法,选取总磷、挥发酚、化学需氧量、pH值、氨氮五项水质指标作为BP神经网络总氮预测模型的输入变量,根据五项最优影响因子与总氮浓度的对应关系,对模型进行了训练,并将训练好的模型应用于2016年8~12月的总氮浓度预测中。结果表明,GRA-BP网络模型较BP网络具有较高的预测精度,预测的相对误差均在5%以内,可为清河水库的水质管理提供科学的指导。     

基于PSOGRNN的我国电力消费预测

为准确预测电力消费并给电力发展规划制定提供依据,提出一种电力消费混合预测模型(PSOGRNN),将GDP、人均可支配收入和电力消费历史数据作为输入变量,运用粒子群优化(PSO)算法优化选择用于电力消费预测的广义回归神经网络(GRNN)模型参数值,以此提高模型的预测精度。实例验证结果表明,与自适应GRNN模型、DGM(1,1)模型和最小二乘线性回归模型相比,PSOGRNN模型的预测精度最高,且有效可行。     

雅砻江下游梯级水库隐随机联合优化调度函数研究

针对不确定来水梯级水库优化调度问题,基于隐随机调度函数基本原理,以长系列优化调度结果为依据,建立多元线性回归模型、门限回归模型和BP人工神经网络模型模拟雅砻江下游梯级水库联合调度过程,综合对比各调度函数模拟效果,且与确定来水的优化调度结果做了对比。结果表明,门限回归模型和BP神经网络模型调度函数均能较好地模拟梯级水库运行,可指导梯级电站调度运行。     

PEMFC的Elman神经网络建模与模糊神经网络控制

从质子交换膜燃料电池（PEMFC）实际应用的角度出发，采用Elman动态神经网络对PEMFC系统进行建模，以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络，并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度。设计了一种适应模糊神经网络控制器，根据经验确定了初始隶属度函数和模糊规则，并采用自适应学习算法不断调整隶属度函数与模糊规则参数，使控制系统获得理想的输出。仿真实验以Elman神经网络模型为参考模型，使用自适应神经网络控制算法取得了较好的控制效果。总之，所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

A novel application of artificial neural network for wind speed estimation

Providing accurate multi-steps wind speed estimation models has increasing significance, because of the important technical and economic impacts of wind speed on power grid security and environment benefits. In this study, the combined strategies for wind speed forecasting are proposed based on an intelligent data processing system using artificial neural network (ANN). Generalized regression neural network and Elman neural network are employed to form two hybrid models. The approach employs one of ANN to model the samples achieving data denoising and assimilation and apply the other to predict wind speed using the pre-processed samples. The proposed method is demonstrated in terms of the predicting improvements of the hybrid models compared with single ANN and the typical forecasting method. To give sufficient cases for the study, four observation sites with monthly average wind speed of four given years in Western China were used to test the models. Multiple evaluation methods demonstrated that the proposed method provides a promising alternative technique in monthly average wind speed estimation.     

基于BP和Elman神经网络的压气机特性的计算

采用BP神经网络和Elman神经网络对某型轴流式压气机进行了特性计算,分析了这两种神经网络在压气机特性计算方面的不同之处,结果表明BP神经网络和Elman神经网络在样本数据内插值预测的情况下都可以获得比较理想的精度,而在需要样本数据外插值预测的情况下,Elman神经网络利用逐步外插法,通过增加样本点的方式,具有更好的泛化能力。     

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.     

子波神经网络在柴油机电控燃油喷射系统中的应用

本文论述了子波神经网络的应用背景，研究了子波神经网络的结构和算法及其在柴油机电控燃油喷射系统中的应用，并与BP神经网络进行了比较。结果表明：子波神经网络具有收敛速度快，逼近性好，学习精度高等优点。     

Application of artificial neural networks for modeling of biohydrogen production

In this study, an artificial neural network (ANN) model was developed to estimate the hydrogen production profile with time in batch studies. A back propagation artificial neural network ANN configuration of 5–6–4–1 layers was developed. The ANN inputs were the initial pH, initial substrate and biomass concentrations, temperature, and time. The model training was done using 313 data points from 26 published experiments. The correlation coefficient between the experimental and estimated hydrogen production was 0.989 for training, validating, and testing the model. Results showed that the trained ANN successfully predicted the hydrogen production profile with time for new data with a correlation coefficient of 0.976.     

Static and Transient Performance Prediction for CFB Boilers Using a Bayesian—Gaussian Neural Network

INTRODUCTIONCircu1atingFluidizedBed(CFB)boilershavebeeninoperationworldwidewiththetendencytolargerscalebecauseoftheiruniqueadvantagesinenviron-mentalprotection.Thesenewboilersarereallypro-cessreactorswhichbehavedifferentlythanconven-tionalones.Thestrongernonlinearity,moresophis-ticatedvariablescouplingaswellasmoreinertiaofsolidsinventoryandthermalenergymaketheopera-tionandcontrol,especiallyoffdesignoperation,moredifficulttoimplement[1'2].Anefficientpredictionofstaticandtransientperforma…     

基于长短期记忆神经网络的地表太阳辐照度预测

针对地表太阳辐照度(GHI)短期预测问题,提出一种基于长短期记忆神经网络的短期太阳辐照度预测模型。采用递归结构的训练样本,以保证训练样本内部的时间耦合性。为验证所提模型预测GHI的有效性,采用算例与传统人工神经网络模型预测结果进行对比分析。结果表明:基于长短期记忆神经网络预测模型将均方误差降低88.48%,表明所建模型更适用于GHI预测。     

GA Elman多元变量需水预测模型及其应用

针对传统静态前馈神经网络动态性能差、预测精度不高等问题,以上海市需水预测为例,提出一种基于遗传算法(GA)优化Elman神经网络连接权值的GA-Elman模型,并与GA-BP、Elman、BP需水预测模型做了对比。结果表明,GA-Elman需水预测模型行之有效,预测平均相对误差和最大相对误差分别仅为2.764%和6.578%,优于其他预测模型,具有较好的预测精度和泛化能力。     

基于广义回归神经网络模型的径流预测研究

为提高径流预报精度,构建了基于广义回归神经网络模型的径流预测模型并将其应用于浙江丽水小溪流域中,对白岩测站50年月平均径流资料进行模拟研究,并与BP神经网络模拟结果进行对比。结果表明,广义回归神经网络预测精度较BP神经网络模型高,更接近径流监测实测值,平均相对误差为11.06%,且预报结果比较稳定,为径流时间序列模拟提供了一种更优的建模方法。