基于Elman型神经网络的空调负荷预测模型

空调系统的负荷与诸多影响因素之间是一种多变量、强耦合、严重非线性的关系，且这种关系具有动态性，因而传统方法的预测精度不高，而动态回归神经网络能更生动、更直接地反映系统的动态特性。针对这个特点，建立了基于Elman型神经网络的空调负荷预测模型，并进行了实例预测。文中还比较了Elman网络和BP终结建模效果，仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点，说明Elman网络是一种新颖、可靠的负荷预测方法。     

基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。     

基于RBF神经网络的建筑逐时空调负荷预测模型

分别用径向基函数(RBF)神经网络模型和BP神经网络模型对广州市一栋办公楼和一栋图书馆在夏季不同月份的逐时冷负荷进行训练和预测,发现RBF神经网络模型预测的均方根误差和平均相对误差都仅是BP神经网络方法的64%左右.仿真结果表明,RBF神经网络具有更高的预测精度及更好的泛化能力,是建筑空调负荷预测的一种有效方法.在此基础上,构建了基于RBF神经网络的建筑逐时空调负荷智能预测软件系统.     

基于自组织特征映射神经网络的短期负荷预测

提出了一种基于自组织特征映射神经网络(Kohmonen网络)的短期负荷预测方法，根据Kohonen网络的聚类特性，样本在输入时就已分好类。输入既有与负荷曲线平滑性有关的数据又有反映负荷周期性变化的数据。在学习训练时，区别于普通的无监督竞争学习采用有监督竞争学习方式，缩短了学习时间，提高了学习精度。实例分析征明了该方法的有效性。     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测的准确性对电力系统的实时运行调度至关重要．采用BP神经网络对电力系统负荷短期预测研究,根据影响电力系统的负荷因素如温度、天气等确定模型构成,同时利用遗传算法对BP神经网络进行优化．实例表明,利用遗传算法优化的BP神经网络在电力系统短期负荷预测中是有效的．     

短期负荷预测模型及其影响因素

在分析电力负荷曲线特性的基础上，将日负荷分成工作日和非工作日，并着重考虑温度对负荷曲线特性的影响，将BP算法和模拟退火(SA)算法相结合，对某电网的日负荷数据进行实际计算，发现考虑预测日类型和温度等因素后，负荷预测精度有很大提高．     

基于深度学习的房间冷负荷预测模型

准确的房间冷负荷预测是空调运行过程节能的基础.首先,根据房间能量平衡方程,通过分析供冷量、冷负荷和蓄热量的关系,提出调温模式下房间负荷预测模型;然后,利用频域分解法实现蓄热计算,应用深度循环神经网络实现温度恒定条件下冷负荷预测;最后,综合温度变化下的蓄热量和温度恒定条件下的冷负荷预测,得到调温模式下房间冷负荷预测值.为提升深度学习算法收敛速度,在深度循环神经网络反向传播修正参数的过程中引入了高斯-牛顿法-LM (Levenberg-Marquardt)法自适应切换的学习算法.仿真实验和实测实验均表明,该方法能快速有效地实现房间逐时负荷预测.本方法实现了调温模式下房间负荷需求的快速精确计算,可用于实现建筑被动热储能的定量计算,同时为整个电网需求侧直接负荷控制提供可借鉴的思路.     

基于多因素影响的负荷预测神经网络方法

电网的负荷是一个受多种因素影响的量。负荷预测的准确性对电网的安全、经济运行有着重要的影响。把各个影响因素与负荷之间建立解析表达式是非常困难的。本文考虑多种影响因素,用神经网络的方法对农网进行负荷预测,具有方法简便、预测精度高,速度快的特点。     

基于BP神经网络的城市燃气月度负荷预测研究

应用MATLAB科学计算软件编制了对浙江省某城市燃气月度负荷的预测程序,建立了燃气月度负荷预测的BP神经网络模型,对模型进行训练后,利用它对该市燃气月度负荷进行了预测,预测结果的相对误差最在±6.34%以内,由预测结果可知该模型预测精度较高,完全可以达到工程实际应用的目标。     

基于径向基神经网络的建筑物空调负荷预测模型

本文建立了一种基于径向基（RBF）神经网络的建筑物空调负荷预测模型。对广州市某办公楼在夏季不同月份的逐时冷负荷,分别用RBF神经网络模型和BP神经网络模型进行训练和预测计算,发现RBF神经网络模型预测的均方根误差ΔRMSE和平均相对误差ΔMRE都仅是BP神经网络方法的64％左右。仿真结果表明径向基（RBF）神经网络具有更高的预测精度及更好的泛化能力,是建筑物空调负荷预测的一种有效方法。     

能量高效与移动预测的路由算法分析

传统的无线移动自组网路由协议无法实现能量均衡消耗,也不能很好的适应网络拓扑动态变化,为此提出了一种新的基于能量高效与移动预测的按需路由算法。该路由算法在路由发现时排除不稳定链路,让能量较多的节点优先参与路由请求分组的转发,同时通过预测链路连接时间采用主动式局部路由修复策略,在路径实际失效之前就完成修复工作。仿真实验表明,和传统的AODV协议相比,文中提出的算法在路由控制开销略有增加的情况下,提高了分组平均投递率,降低了数据分组端到端平均时延,同时能够实现网络中的能量高效,延长了网络寿命,因此具有较强的实用性。     

基于人工免疫算法的电网负荷预测模型的研究

为了克服传统神经网络预测方法在网络结构设计和收敛效果等方面存在的缺陷。提出了一种进行电力系统负荷预测的新算法———人工免疫算法。该算法是根据高等动物免疫系统的机理而设计的,将目标函数和一部分不等式约束条件作为抗原,将搜索空间的解作为抗体,依据抗原与抗体的结合力以及抗体之间的结合力对解进行选择,通过抗体之间的相互激励作用提高了最优点附近的搜索效率,通过记忆细胞对抗体的抑制作用有效地摆脱局部最优点。应用该模型于阜新地区负荷预测的实例中,结果表明,该模型与传统的神经网络预测方法相比具有较强的自适应能力和较好的效果。     

预测参数的选择与建筑物逐时冷负荷的预测

利用逐步回归分析进行了预测参数的选择和建筑物逐时冷负荷的预测,并将其与采用相同数据集的神经网络(ANN)的冷负荷预测结果进行了对比分析。     

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。     

基于超复数小波和图像空域的卷积网络融合注视点预测算法

针对已有注视点预测模型存在特征细节缺失、尺度单一和背景信息干扰严重导致的注视点预测精度偏低等问题,提出了一种基于超复数小波和图像空域的卷积网络融合注视点预测算法.首先,针对细节特征丢失问题,使用超复数小波变换在频域中提取图像的细节特征,与卷积网络提取的空域特征进行融合.然后,通过空洞空间金字塔池化模块,融合不同感受得到的特征图,有效解决了特征尺度单一的问题.最后,引入了残差卷积注意力模块,结合空间和通道的注意力机制,能够有效抑制背景信息的干扰,提高注视点预测精度.在SALICON数据集上,CC、sAUC和SIM评价指标下,该算法的性能达到0.884 7、0.769 3和0.778 0;在CAT2000数据集上,该算法在相应指标下的性能为0.735 5、0.870 1和0.664 5.主客观对比实验结果表明,该算法具有较好的注视点预测能力.     

一种面向工作站网络的系统负载预测方法

提出一种应用人工智能技术方法解决基于PVM环境的负载平衡问题，采用多项负载指标表示结点的负载情况，总利用BP算法，预测未来的负载情况，解决了采用多项负载指标所带来的系统开销大的问题，在任务分配与任务执行时，应用人工智能技术预测各结点的负载情况，找到较佳的分配方案，实验结果证明，本算法较通常的算法在性能上有很大的提高。     

基于STL-Informer-BiLSTM-XGB模型的供热负荷预测

供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(Seasonal and Trend decomposition using Loess, STL)的供热负荷预测方法,构建了适用于供热负荷预测的输出目标。首先利用STL算法将供热负荷时间序列数据分解为趋势分量、周期分量和残差分量,分别训练Informer、BiLSTM和XGB三个模型,将构建好的三个分量预测模型的输出叠加作为初步预测结果,分析误差序列,以BiLSTM预测误差提高模型精度,构建出STL-Informer-BiLSTM-XGB预测模型。将上述模型与常用预测模型进行对比,结果表明所构建的STL-Informer-BiLSTM-XGB 模型的MAPE、MAE和MSE,分别为0.871%、96.18和13202.2,预测效果最优,验证了所提出的方法具有较高的供热负荷预测精度。     

基于机器学习算法的输电线路工程投资预测

技术方案深度的不足导致依据定额概预算来确定输电线路工程投资的方法准确性低、工作量大,因此,研究基于机器学习的投资预测模型需求迫切。针对输电线路投资的高维数、非线性等特点,提出了基于极端梯度提升(extreme gradient boosting, XGBoost)算法的输电线路工程投资预测方法。通过采用实际输电线路工程数据对模型进行训练和测试,预测结果显示XGBoost模型在预测精度、结果偏差方面相较于神经网络和支持向量机(support vector machine, SVM)都具有较大的优势,能输出指标重要性排序,为决策者提供有效的投资额和控制指标参考,且模型的可靠性和可解释性较高。     

基于BP神经网络的MCM-22分子筛催化性能预测模型研究

基于人工神经网络建模方法,建立了MCM-22分子筛催化剂在苯与丙烯液相烷基化过程中性能预测的BP神经网络模型,该模型关联了催化剂本征性能、工艺条件和反应产物分布之间的相互关系。对不同成型条件下得到的16种结构性能各异的MCM-22分子筛催化剂性能进行实验评价,将所获得的数据用于模型训练和预测结果检验。结果表明,所建立的模型对MCM-22分子筛催化性能具有较高的预测精度,预测平均相对误差为4.21%。因此,将BP神经网络作为MCM-22分子筛催化剂的性能预测和苯与丙烯液相烷基化过程的定量描述模型,是适宜和可靠的。