一种基于神经网络模型的中国能耗预测

通过对中国能源消费增长率的数据分析,运用LM(Levenberg-Marquardt)优化算法,结合BP网络,建立了相应的中国能耗增长率的神经网络模型,对中国能费增长率进行了拟合,并对未来能耗总量进行了预测。通过实际数据与测试数据的统计分析表明,该模型具有极强的拟合精度,对中国能源消费需求总量的预测有较高的可信度。     

基于神经网络组合模型的能源消费量预测研究

为了提高预测的精度,将神经网络组合预测模型应用于能源消费总量预测中,通过建立RBF、ELM、BP神经网络预测模型,用熵值法确定组合预测模型的加权系数,建立神经网络组合预测模型.利用安徽省统计年鉴获得的1991～2007年安徽省能源消费总量进行检验仿真,结果表明组合预测模型的误差较小,精度较高,预测结果更接近于实际情况.     

基于灰色RBF网络的我国能源消费预测

利用我国能源消费总量的历史数据,采用灰色预测法建立预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值.实验结果表明,灰色RBF网络模型在预测精度方面优于单一的灰色模型.该模型计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围.     

应用组合模型对我国能源消费的预测

鉴于我国能源消费系统的复杂性及非线性特征,分别采用神经网络和时间序列两种方法建立我国能源消费总量的单项预测模型,并对各模型进行了检验,模型的检验结果表明建立的模型可以作为预测未来能源消费量的有效工具.根据标准差法对各模型的结果进行权重分配,建立我国能源消费的组合预测模型,组合预测模型既克服单一模型的缺陷,又提高了预测精度,之后应用此模型对我国未来六年的能源消费进行预测,2015年我国能源消费总量将会达到41.9亿吨标准煤.     

基于组合模型对我国能源消费的预测

鉴于我国能源消费系统的复杂性及非线性特征,本文分别采用神经网络和时间序列两种方法建立我国能源消费总量的单项预测模型,并对各模型进行了检验,模型的检验结果表明建立的模型可以作为预测未来能源消费量的有效工具。根据标准差法对各模型的结果进行权重分配,建立我国能源消费的组合预测模型,组合预测模型既克服单一模型的缺陷,又提高了预测精度,之后应用此模型对我国未来六年的能源消费进行预测,2015年我国能源消费总量将会达到41.9亿吨标准煤。     

改进的BP神经网络煤炭需求预测模型

针对煤炭需求预测模型的预测结果精确度较低的问题,应用通过附加动量法改进的BP神经网络模型,综合考虑工业用煤(电力、冶金、建材、化工等)的趋势、国内生产总值的年增长率,价格指数、煤在能源消费中的比重等因素的影响,可使此模型对煤炭需求的预测特别是近期预测结果达到较高的可信度.     

基于灰色GM(1,1)模型的煤炭需求量预测

以2010~2016年我国的煤炭需求消费总量作为数据基础,应用灰色系统理论,建立了GM(1,1)模型,预测出了2017~2019三年我国的煤炭需求量并分析了预测结果,表明该模型经检验有较高的精确度,其预测结果可信度高,为保障我国能源安全、制定能源发展战略提供科学依据。     

生态足迹预测模型优选——以武汉市为例

在收集武汉市1978-2004年城市人均生态足迹、能源消费量、第三产业占GDP比重等指标数据的基础上,运用灰色关联度分析,揭示出能源消费量、第三产业占GDP比重、总人口数与武汉市人均生态足迹呈显著相关.通过建立GS-SVR,PSO-SVR,GA-SVR三种模型,对随机选取的武汉市5年人均生态足迹进行模拟预测和相应的精度分析,并与神经网络模型预测结果进行对比.结果表明,神经网络模型的模拟拟合功能强于SVR模型,而GA-SVR模型的预测精度最高,是预测生态足迹的最佳方法.     

基于小波神经网络的建筑工程沉降变形预测

变形监测是安全化、信息化工程建设和管理的重要内容,贯穿于建筑物设计、施工和运营整个过程.本文基于小波分析、BP神经网络、小波分析与神经网络结合的相关理论,借助MATLAB编程,建立了改进的BP神经网络、辅助式小波神经网络、嵌入式小波神经网络3种变形预测网络模型.结合工程实测数据,利用建立的3种模型,分别应用累积沉降和期间沉降不同模式数据进行预测.结果表明,两种小波神经网络组合模型的预测效果明显优于单一的BP神经网络模型,具有更高预测精度和更快的收敛速度,且训练样本数目越多,模型精度越高,预测效果越好.     

基于灰色马尔可夫链模型的中国能源消费预测研究

随着中国经济的不断发展,能源需求不断上升,能否准确预测中国能源消费量对中国经济乃至全球经济发展都有重要的指导意义.现行的预测方法主要有回归分析法、经验模型法、时间序列法、指数平滑法和灰色系统预测法等.灰色系统预测方法在预测波动性较大的非平稳数列上有不足之处,而马尔可夫预测却适用于随机波动性较大的数列的预测.因此本文将灰色系统理论与马尔可夫链相结合,建立了能源消费总量数据的灰色马尔可夫链模型.实证分析表明,这种模型的预测精度高于GM(1,1)预测模型,预测效果较好.     

基于布谷鸟搜索神经网络的微波加热温度预测模型

微波加热是一种与被加热物直接相互作用的选择性加热方式,具有清洁、节能、减排等特点。针对工业物料作为微波加热负载时,其温度非线性变化的特点,以微波工业加热过程中的多维、海量参数为研究对象,基于泛函接神经网络模型提取样本数据的深度特征,提出了一种基于布谷鸟搜索算法,优化BP神经网络的网络参数,建立了以"数据驱动"为手段微波加热工业物料温度模型。仿真实验结果证明了所提出模型的准确性、实时性。     

能耗预测导向的建筑能耗异常数据识别与修复

建筑能耗异常数据处理是对建筑能耗进行准确预测的前提。为有效处理建筑能耗异常数据,利用基于机器学习的K-means和KNN(K-nearest neighbor)算法,对上海某酒店建筑2017年7月的逐时能耗数据进行了异常识别和修复。通过建立长短期记忆网络模型,利用处理后的能耗数据预测了该建筑2017年8月首周的逐时能耗数据。预测结果表明,提出的建筑能耗异常数据识别与修复方法能准确识别并修复建筑能耗异常数据,从而显著提高后续能耗预测的效果。     

基于径向基函数网络的能源消费量预测模型

采用径向基函数(RBF)神经网络方法进行能源消费量预测,建立了基于RBF神经网络的能源消费量预测模型。以我国1978~1997年的实际数据作为学习样本,对网络进行训练,拟合效果良好;以1998~2002年的实际数据检验网络,预测精度较高。并通过实例与BP网络进行比较,表明RBF网络预测模型优于BP网络预测模型。     

Hybrid Model Based on Wavelet Decomposition for Electricity Consumption Prediction

The effective supply of electricity is the basis of ensuring economic development and people's normal life. It is difficult to store electricity, as leading to the production and consumption must be completed simultaneously. Therefore, it is of great significance to accurately predict the demand for electricity consumption for the production planning of electricity and the normal operation of the society. In this paper, a hybrid model is constructed to predict the electricity consumption in China. The structural breaks test of monthly electricity consumption in China from January 2010 to December 2016 is carried out by using the structural breaks unit root test. Based on the existence of structura breaks, the electricity consumption data are decomposed into low-frequency and high-frequency components by wavelet model, and the separated low frequency signal and high frequency signal are predicted by autoregressive integrated moving average(ARIMA) and nonlinear autoregressive neural network(NAR), respectively. Therefore the wavelet-ARIMA-NAR hybrid model is constructed. In order to compare the effect of the hybrid model, the structural time series(STS) model is applied to predicting the electricity consumption. The results of prediction error test show that the hybrid model is more accurate for electricity consumption prediction.     

基于PCA与RBF的建筑能耗预测建模

由于建筑能耗因子间存在非线性和高度冗余特性,传统预测方法很难消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高建筑能耗预测精度,提出一种将主成分分析(principal component analysis,PCA)和径向基函数(radial basic function,RBF)神经网络相结合的建筑能耗预测方法(PCA-RBF).利用PCA消除建筑能耗高维变量数据的相关性,并按累积贡献率提取主成分,将主成分作为RBF神经网络的输入进行训练学习.通过PCA避免了模型过多的输入导致的训练耗时长及预测精度较低的不足.通过将PCA-RBF模型方法应用于某办公建筑能耗的预测中,并与RBF神经网络及BP神经网络模型相比,实验结果表明PCARBF模型方法能有效提高建筑能耗预测精度.     

基于LSTM神经网络的乘用车能耗预测

为改善当今石油供需矛盾和环境问题,针对乘用车提出了基于LSTM神经网络的燃油乘用车能耗预测模型。通过纵向动力学建模并匹配相应车型进行求解,结合GB/T 38146.1行驶工况数据,得出能耗随时间的变化率。构建LSTM神经网络架构,根据处理后的数据样本,对LSTM神经网络进行训练和评价。最后,通过LSTM神经网络和BP神经网络的仿真对比表明,随着迭代周期的增加,LSTM神经网络模型具有更高的精度,对能耗预测的准确性较好,对改善无人驾驶车辆的节能减排具有工程应用价值。     

基于BP神经网络的深部地层压力预测技术

地层压力的准确预测是优质高效安全钻井、减少井下复杂情况、合理开发油气层的基础.由于地层压力的实测方法费用较高、周期长,且影响钻井安全,因此提出一种基于神经网络技术的地层孔隙压力预测新方法,并详细论述了神经网络预测模型的建立过程.该方法以声波时差、自然电位、自然伽马数等测井数据及钻杆压力测试数据为学习样本,具有十分高的准确度.对大庆油田萨尔图和杏树岗两个区块的地层压力进行实例预测,预测结果表明,其预测结果与实测结果的相对误差<±8.9%.     

基于进化神经网络方法的矿石消费时序分析

利用神经网络建立模型，并应用遗传算法识别最佳网络结构(模型的阶数p值和隐含层节点数)，进而提出了一种用于时序分析的进化神经网络新方法。最后，将其应用于我国铁矿石消费指数的预测，取得理想的结果。     

神经网络在铝合金穿孔型等离子弧立焊中的应用

铝合金穿孔型等离子弧立焊是一种高能密度焊 ,焊接过程是一个复杂的、多参数耦合的高度非线性过程 ,存在许多难以量化、不确定的知识 ,无法实现解耦 ,在生产中难以进行有效的控制 神经网络具有非线性映射和自组织、自学习的特点 ,使其在焊接领域中的应用具有一定的优势 本文基于MATLAB6.1的神经网络工具箱 ,利用 3层BP人工神经网络建立铝合金穿孔型等离子弧立焊的输入 -输出的网络模型 ,通过训练该网络 ,能够根据输入节点的各个焊接工艺参数值 ,预测焊缝形状的输出结果 焊缝的形状参数与网络模型预测结果的误差在 8%以内 仿真试验结果表明 ,这个方案是可行的