基于AP-BP神经网络的建筑能耗分析与预测

建筑行业对能源的节约是当前节约能耗的重要途径之一,在对能源浪费现状和建筑物能源绩效调研和分析的基础上,提出了一种基于affinity propagation（AP）聚类的back propagation（BP）神经网络建筑能耗分析与预测方法。通过AP聚类算法对影响建筑能耗的多维因素进行聚类分析,得到影响建筑能耗的主要因素并作为BP神经网络的输入,然后将建筑能耗指标热负荷和冷负荷作为BP神经网络的输出,建立建筑能耗分析与预测模型。均方根误差（RMSE）和平均相对泛化误差（ARGE）评价指标分析结果表明,本文所提方法对能耗值预测的拟合程度优于经典的BP神经网络,且通过建筑能耗输入输出的结构调整能够节约能耗,提高能效。     

纤维板纤维制备单元能耗分析

 利用统计实验的方法对国内典型纤维板生产厂家的纤维制备单元进行能耗分析, 得出了生产单位质量纤维的能耗组成、各部分能耗所占比重以及影响纤维制备单元能耗的主要影响因素.通过实际生产的测试数据, 定量分析计算了纤维制备单元各工序以标准煤表征的电能、热能的消耗.在此基础上的分析和计算结果表明, 1t纤维的总能耗为162.434kg(ce), 电能和热能消耗比例大约在1.00:4.49;各工序中, 干燥和热磨为主要的耗能工序, 分别占总能耗的65.199%和33.681%, 电能和热能的消耗比例分别为1.00:17.40和1.00:1.75, 研究为进一步采取有效措施节能降耗提供了理论依据.     

钢铁生产过程系统的能耗可靠性评价

在功能可靠度和时产率可靠性评价指标的基础上,结合钢铁生产过程系统能源消耗状况的分析,建立了能耗可靠性评价方法,提出了能耗可靠度、工序能效比及相近度等评价指标体系来描述钢铁生产过程系统的能耗可靠性.运用贡献指数的概念定量分析了后两者对能耗可靠度的影响,并应用于国内某特殊钢厂电弧炉生产过程单元.结果表明:该电弧炉工序的能耗可靠度由2008年的0.64提高到2009年的0.72.另外,还分析了该厂2006—2009年电炉工序能耗可靠度变化的主要原因.     

基于BP神经网络的高速动车组牵引能耗计算模型

为准确计算动车组牵引能耗,提出BP神经网络模型和改进牵规法预测动车组牵引能耗。选取机车类型、坡度、目标速度、停站方案等8个因素作为动车组牵引能耗的BP神经网络输入变量,建立3层BP神经网络模型。采用增加动车组运动方程和优化基本阻力公式方式对牵规法进行优化。利用正交实验法对动车组牵引能耗影响因素进行分析,并对111组实测能耗进行模拟验证。研究结果表明:BP神经网络模型的实测能耗与计算能耗相对误差在4.26%以内,改进牵规法的实测能耗与计算能耗相对误差基本在10%以内,证明BP神经网络模型比改进牵规法模型能更好地预测动车组的牵引能耗,而且当目标速度增大时,BP神经网络模型的计算精度明显比改进牵规法的计算精度高;目标速度和坡度对牵引能耗有显著影响。     

钢铁企业能耗瓶颈诊断数学模型及应用

针对钢铁厂物质流和能量流对能耗同时产生影响的问题,建立了能耗瓶颈诊断模型. 模型分别用钢比系数和工序能耗衡量物质流和能量流,其功能是将吨钢综合能耗的变化分解为钢比系数的变化和工序能耗的变化,从而将两种因素的影响相分离,寻找能耗瓶颈. 模型分析通过三步进行,分别针对总流程、区域和工序,形成了系统的分析体系. 同时,提出了贡献指数的概念,以定量地描述各个因素对吨钢综合能耗的影响大小. 利用该模型对某钢厂2001年和2007年的能耗指标进行实例分析,找出了相应的能耗瓶颈为炼铁区域和轧钢区域钢比系数的增加与炼钢区域工序能耗的上升,并提出了增加热送热装比、降低加热炉燃料消耗等节能对策.     

基于模拟退火PSO-BP算法的钢铁生产能耗预测研究

针对BP对能源系统进行建模和预测的方法存在的问题,提出一种优化BP神经网络的模拟退火粒子群混合算法(SAPSO)。利用该混合算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以得到最优解,并将所建立的预测模型对钢企能耗进行预测。最后与BP神经网络以及最小二乘法进行比较。仿真结果表明该混合算法增强神经网络的泛化能力,具有相对误差小,预测精度较高,能更好地跟踪未来数据的优点。     

基于BP神经网络的注塑变频控制系统设计

针对注塑机存在严重能耗,提出了基于BP神经网络的注塑变频控制系统设计方案。该方案采用ARM Cortex-M3内核微控制器采集压力、流量信号,利用BP算法计算出对应的控制量,改变变频器的输出频率,进而控制油泵电机,实现注塑节能。实验结果表明,该系统节约注塑机能耗可达30%—60%。     

基于阶梯式拓扑结构的WSN半动态路由算法

针对全动态路由算法随着网络规模的增大其拓扑管理能耗剧增的不足,提出一种半动态路由算法.该算法创建了以簇为基本单元的阶梯式网络拓扑模型,根据无线信道传输模型确定簇的覆盖并建立簇到基站的多跳梯度场,在梯度场中采用有序、定向的数据传送方式,实现信息以链路最短的距离向基站汇聚,并在簇内创建了一套簇头轮转机制,以实现簇内能耗平衡.对该算法能耗的定量分析和具体场景的仿真结果表明,该算法大大减少了拓扑管理和数据传送过程中的通信能耗,尤其是随着网络规模的增大,与LEACH算法相比具有明显的节能效果.     

BP神经网络在高层结构体系选择中的应用

提取高层建筑结构选型的主要控制因素 ,以此建立基于 BP(Back- Propagation)神经网络的高层建筑结构体系选择的数学模型 .分别采用传统的 BP算法、改进的带动量自适应学习率 BP算法 ,以及 L- M(Levernberg- Marquart)算法 ,进行高层建筑结构体系选择的研究 .研究结果表明 ,传统的 BP算法和改进的带动量自适应学习率 BP算法 ,无法适应土木工程中大规模的数据结构 .而采用 L- M算法神经网络 ,较传统 BP算法快 10 2～ 10 3倍 ,并且精度高 ,可以较好地解决高层建筑结构体系选型问题 .     

基于BP算法的铁路配电网故障诊断研究

通过分析铁路配电网的特点,针对铁路电网故障的不确定性因素与故障数据种类繁多的特点,采用BP算法进行故障诊断,先研究铁路电网的故障类型,然后分析BP算法的训练过程,最终设计并实现了基于BP算法的铁路电网故障诊断.     

基于BP网络的棉花中异性纤维识别算法

针对原棉中的异性纤维种类繁多、特征各异,很难建立一个统一的异性纤维识别模型问题.提出了应用神经网络识别异性纤维的算法.在RGB颜色空间下,提取原棉图像中每个像素的R、G、B分量,采用统计纹理分析方法,计算R、G、B分量的纹理强度信息作为特征值.用MATLAB软件创建BP网络识别模型,对有代表性的原棉图像进行识别实验.实验结果表明该算法可以有效地识别出原棉中存在的有色和无色异性纤维.     

人工神经网络在手感评定中的应用

针对现有的手感评定方法在识别准确性,容错性和适应性方面存在的问题,提出了用4个检测模型产生手感信号,并用BP神经网络处理信号的具体方法和步骤.实验证明,BP神经网络具有较好的自适应模式识别能力和容错性.     

基于小波包分析和BP网络识别的齿轮故障诊断

针对齿轮故障信号的能量所引起的变化会淹没在常规振动与噪声之中，用传统的信号处理方法不易提取故障特征，给齿轮的故障诊断带来很大困难这一事实，本文描述了用于从振动信号中提取故障信息的小波包和用于识别故障类型的BP网络，研究了BP网络故障模式识别与小波包故障特征提取结合在一起对齿轮故障进行诊断的方法，研究结果表明该方法可以成功地用于轮常规故障的识别和诊断。     

材料非线性问题的遗传算法与神经网络耦合分析

基于遗传算法的全局最优化功能以及BP网络的非线性映射功能，提出了用于结构非线性分析的遗传算法与神经网络耦合分析方法。该方法是利用遗传算法的全局优化功能搜索BP网络各神经元之间的连接权值。以受内压的厚壁圆筒为数值算例，利用建立的遗传算法与神经网络的耦合分析方法进行弹塑性分析。计算结果表明该方法是有效的，具有较高的计算精度和计算效率。     

一种用于非线性函数逼近的小波神经网络算法仿真

提出一种用于非线性函数逼近的小波神经网络算法,分析了网络的拓扑结构,给出了网络的参数估计方法.采用遗忘因子法训练网络的权值,利用具有优良渐近性质的递推预报误差算法训练尺度因子和平移因子,分析并给出两种小波元的个数选择方法.该算法用于非线性函数逼近时优于同等规模的BP神经网络.仿真研究表明,该方法具有收敛速度快,逼近精度高等优点,在为非线性系统建模提供一种新方法的同时,也为复杂非线性系统的辨识提供有益的参考.     

神经网络车辆轮胎模型的分析与研究

轮胎力学特性的分析是研究车辆振动分析的基础,但使用经典的数学方法来解决非线性问题是很难实现的,因此我们论述把神经网络理论应用到汽车动力特性控制上,主要使用BP神经网络对汽车轮胎的力学特性进行建模分析．     

BP算法稳定性与收敛性的一种改进

针对标准BP算法稳定性与收敛性较差的问题，采用多个变元进行迭代，其中各变元的迭代方式同标准的BP算法，然后取各变元迭代结果的均值作为新一轮训练的修正权值，其目的是利用均值的平衡效应，防止作过大或过小的权值调整，解决因不合适的权值调整而导致BP算法整体性能的下降的问题，理论分析与试验证明，应用该方法可使BP算法获得较好收敛效果与稳定性能。     

用BP神经网络对气流床粉煤气化炉的预测

利用3层BP神经网络对气流床粉煤气化炉进行模拟研究.以Gibbs自由能最小化方法建立粉煤气化炉数学模型的模拟结果作为BP神经网络训练数据,训练后的BP神经网络模型对模拟数据的预测准确度较好.以Shell粉煤气化炉和国内首套粉煤加压气化中试装置上的实际生产数据作为BP神经网络的训练数据,训练后的BP神经网络模型能预测实际生产数据.     

BP神经网络在建筑工程估算中的应用分析

利用BP(back propagation)神经网络的基本原理建立工程估算模型,依赖专家经验获取待确定造价的工程特征,在对15个典型实际工程样本分析的基础上,利用EXCEL软件的宏命令编制BP神经网络模块,模拟从工程特征到工程造价的非线性映射关系,并将其运用于实际工程估算,精度达到建筑工程估算要求,为实际工程中对估算快速、准确的要求提供一种新方法.     

神经网络在填石路堤沉降计算中的应用

通过对我国近年来所取得的填石路堤的沉降观测资料进行整理分析,提出了填石路堤沉降计算的新方法,即BP神经网络模型计算方法。采用BP神经网络较强的非线性映射能力和学习能力,提出了基于BP神经网络的填石路堤沉降预测的新方法。