基于GA-BP神经网络的柴油机NO_x瞬态排放预测

开发了一种柴油机NOx瞬态排放预测研究的方法,该方法采用BP神经网络进行建模,并加入遗算法优化网络权值弥补BP网络缺陷。模型选取影响NOx排放的控制参数作为输入量。网络训练中采用早停止策略防止训练网络过拟合,保证网络泛化能力。模型总排放预测相对误差为3.63%,尤其对加减速等瞬态变化工况的预测效果更优,相对误差小于3%,可以用于NOx瞬态排放预测,并且模型输入参数多为控制参数,有利于对模型进行深入研究。     

燃煤电站汞排放控制技术研究的现状

燃煤电站是最大的汞排放源,本文介绍了燃煤电厂汞排放的特征,分析了燃烧前脱汞、燃烧中脱汞、燃烧后脱汞等方面的技术;较为详细地论述了汞排放控制技术研究的现状,并结合我国国情提出了相关建议。     

300MW燃煤锅炉NO_x排放特性试验研究

以某电厂一台300 MW燃煤锅炉为研究对象,在改变锅炉运行负荷、烟气含氧量、配风方式和磨煤机组合方式等情况下,测定了锅炉尾部烟道NOx排放浓度,分析了锅炉燃烧调整对NOx排放的影响。结果表明:在额定负荷下,NOx排放浓度倒塔配风时最低,正塔配风时最高,且均等配风和倒塔配风的NOx排放浓度与烟气含氧量存在一个最佳点;合理调整磨煤机组合方式可有效降低NOx排放;通过锅炉燃烧调整,在保证机组的安全性和经济性不受较大影响的情况下,大幅度降低NOx排放浓度是可行的。     

基于模糊理论预测电站锅炉燃煤结渣特性的研究

从基于模糊评判理论的角度，较详细地分析讨论了燃煤结渣特性，并对燃煤结渣进行预测，所得结果可为电厂购煤提供依据，为锅炉燃用混煤进行优化配煤提供参考。     

燃煤电站二氧化硫控制方式的探讨

我国燃煤电站 SO2 排放量逐年上升 ,造成了难以估计的经济和社会损失 ,火电站脱硫势在必行。通过对燃煤电站二氧化硫控制方式的探讨 ,提出了当前适应我国的脱硫工艺 ,并指出需要尽快研究开发出低费用、低耗水的燃煤防污染新技术。     

超低排放电厂PM,SO_2,NO_x及汞污染排放特征

针对实施超低排放改造的大港电厂燃煤机组,基于现场在线监测和现场采样数据,探讨了超低排放后烟气中烟尘、二氧化硫、氮氧化物、汞污染物排放特征。研究表明,4台燃煤机组完成超低排放改造后,烟尘、二氧化硫、氮氧化物的排放浓度能够长期分别低于5、35、50mg/m~3,达到超低排放要求。3#燃煤机组在汞取样监测期间,煤燃烧及经过污染物控制单元后,57.5%的汞存在于灰中、34.1%的汞存在于石膏中、8.3%的汞从烟囱排出。在汞取样监测期间,FGD脱除二氧化硫效率为97.9%,SCR脱除氮氧化物效率在90%以上。     

粒子滤波和GRU神经网络融合的锂电池RUL预测

随着锂电池在移动电子设备和电动汽车等领域中得到广泛应用,其剩余使用寿命(remaining useful life,RUL)的精确预测对锂电池的健康管理更具重要意义。本文提出一种基于粒子滤波(particle filter,PF)和门控循环单元（gated recurrent unit,GRU）神经网络融合(PF-GRU)的预测方法预测锂电池的RUL。这种融合方法结合了PF在估计RUL概率分布上的优势以及GRU能够进行时间序列长期预测的能力,获得融合的预测结果。再利用每个预测周期的容量预测结果,采用带移动窗口迭代更新训练数据集的方法对GRU模型进行再训练,提高了GRU的长期预测性能。以上预测步骤迭代进行,直到容量衰减至寿命阈值以下。最后将粒子代表的预测结果外推至寿命阈值,得到电池RUL分布直方图。本文采用美国NASA卓越诊断学中心(PCoE)实验室所提供的锂电池数据对所提方法进行验证,将所提出的融合方法与GRU、PF和无窗口移动融合方法进行RUL预测比较。实验结果表明,本文所提出的融合方法具有良好的性能,在状态和参数估计、RUL预测方面明显优于PF和无窗口移动融合方法,预测精度均高于其他3种预测方法。     

基于反距离加权法的DTW-RNN神经网络吸水剖面预测模型

基于同位素吸水剖面法和分层注水量计算法在应用中存在这样或那样的不足,创新了一种油水井多层合注合采液量劈分技术方法.该方法是在实测吸水剖面资料的基础上,选取油层有效厚度、有效渗透率、措施系数、原油粘度等共8个因素作为建立预测模型的主要影响因素,以注入井的注水数据为输入值,通过反距离加权法以及时间规整算法对输入值进行距离计...     

基于神经网络的公路工程造价预测模型

文章对高速公路的工程特征进行全面的分析和筛选,确定了7个对公路工程造价影响较大的工程特征,使其作为神经网络预测模型的输入向量,随之构建了基于BP神经网络的高速公路工程造价预测模型,最后结合MATLAB神经网络工具箱对程序进行设计,并选取已完工程为实例。通过对模型的训练、修正以及实例验证,证明BP神经网络可以有效提高预测的精确度,具有较强的实用价值。     

基于分布式神经网络的焦炭质量预测模型

焦炭质量预测模型是确保焦炭生产顺利的基础．但在生产多种类焦炭时，模型的泛化能力变差．针对此问题，提出了基于分布式神经网络的焦炭质量预测模型，给出了基于粗划分的自组织网络初始权值选取方法，通过对基于遗传算法一反向传播人工神经网络的预测模型(GA-BP)和基于自组织映射网络一径向基函数的分布式神经网络(SOM-RBF)的预测模型比较，发现后比前的预测精度高且稳定，完全满足现场要求。     

基于ARMA-BP神经网络模型的风电功率预测研究

结合ARMA时间序列预测模型和BP神经网络预测模型的优点,构建ARMA-BP神经网络混合模型,对风电功率预测问题进行研究。采用构造性神经网络模型得出的类别值对统计时间序列模型的预测值进行修正,提高了风电预测的精度和效率。     

基于BP神经网络分源预测综采面瓦斯涌出量研究

为了提高综采工作面瓦斯涌出量的预测精度,根据综采工作面瓦斯来源的分析,在瓦斯分源预测方法的基础上,融合神经网络预测技术,建立BP神经网络分源预测模型。结合某矿1242（1）工作面地质条件和开采技术条件,利用BP神经网络分源预测模型对工作面瓦斯涌出量进行了预测,结果表明,BP神经网络分源预测模型预测精度能满足现场需求,与分源法相比较,在综采工作面瓦斯涌出量预测中方便简洁而且具有很高可信度,其应用前景更广泛。     

基于神经网络的客服中心话务量预测模型

针对现有预测模型在话务量发展趋势变化、新技术新业务引入后模型失效、预测精度下降等问题,提出一种基于神经网络和事件样本库的智能预测方法。该方法具有自学习功能,可根据预测误差自动调整预测参数并更新事件样本,对话务量趋势变化、事件影响程度变化及新事件的发生具有持续自适应能力。仿真结果表明,该预测方法能有效降低预测误差,与现有方法相比,话务量的预测精度提高了6．57％。     

基于RBF神经网络的裂缝开度预测模型

大坝裂缝开度是大坝安全的重要特征之一。针对传统裂缝开度预测模型的不足,提出了基于RBF神经网络的裂缝开度预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高学习速度,加快了收敛速度,缩短了训练时间,使得预测精度提高,因此能较好地预测裂缝开度值。利用Matlab的RBF神经网络工具箱建立了裂缝开度预测模型,并应用于实际工程中,取得了较高的拟合预报精度,说明该方法具有较强的实用性。     

基于神经网络的大气污染预报方法的研究

大气污染物浓度的变化具有较强的非线性特性，基于人工神经网络捕捉非线性变化独特的优越性，将RBF网络应用于实测大气污染物浓度的预报。     

采用气象信息的神经网络应用于短期风力发电功率预测

针对江西省某风电场的风速和功率的历史数据,分别结合当地的温度、气压、相对湿度,采用人工神经网络进行预测,预测未来2 h的功率,并分析每种气象数据对风电场功率预测影响程度,预测结果表明：针对该风电场,对功率预测最大的因素是温度,其次是气压和湿度,将3种气象因素综合考虑,预测均方误差达到31.2%,对风电场的安全调度与经济运行具有一定的指导价值。     

基于神经网络的股票交易数据的预测研究

运用前馈神经网络预测时间序列的分析方法对股票数据进行了预测.通过对前馈神经网络时间序列数据预测网络模型的建立方法及预测方法讨论,基于BP网络对股票数据进行实际预测.预测精度明显高于传统方法,说明此种方法是可行的.BP网络可用于股票数据预测,其预测精度较高,但实际预测时,如何选择和确定一个合适的神经网络结构需进行反复实验.     

基于BP网络的企业风险预警实证研究

风险管理是企业管理的重要内容。通过建立企业风险预警指标体系，利用神经网络方法对企业风险状况进行综合评估，并引用实例说明该方法的实现过程。预测结果表明，神经网络方法建模简单，精度高，对于企业风险等复杂的非线性问题有着很强的逼近与预测能力。     

BP和RBF网络的结构动力响应预测对比

主动控制中存在时滞效应,在线实时预测结构响应,可以解决这个问题。不同的神经网络对结构响应的预测效果是不同的,针对BP网络和RBF网络的不同特点,对它们的预测效果做了对比研究。仿真结果表明,RBF神经网络训练速度快、精度高,可及时为主动控制建筑结构响应提供较为准确的优化性能指标,从而为实现在线实时控制结构响应提供优良的保证。